Salta para o conteĆŗdo

DeteĆ§Ć£o interactiva de objectos: Gradio & Ultralytics YOLOv8 šŸš€

IntroduĆ§Ć£o Ć  deteĆ§Ć£o interactiva de objectos

Esta interface Gradio fornece uma forma fĆ”cil e interactiva de efetuar a deteĆ§Ć£o de objectos utilizando o Ultralytics YOLOv8 modelo. Os utilizadores podem carregar imagens e ajustar parĆ¢metros como o limiar de confianƧa e o limiar de intersecĆ§Ć£o-sobre-uniĆ£o (IoU) para obter resultados de deteĆ§Ć£o em tempo real.



Observa: Gradio Integration with Ultralytics YOLOv8

PorquĆŖ utilizar o Gradio para a deteĆ§Ć£o de objectos?

  • Interface amigĆ”vel: O Gradio oferece uma plataforma simples para os utilizadores carregarem imagens e visualizarem os resultados da deteĆ§Ć£o sem qualquer requisito de codificaĆ§Ć£o.
  • Ajustes em tempo real: ParĆ¢metros como a confianƧa e os limites de IoU podem ser ajustados em tempo real, permitindo um feedback imediato e a otimizaĆ§Ć£o dos resultados da deteĆ§Ć£o.
  • Ampla acessibilidade: A interface Web do Gradio pode ser acedida por qualquer pessoa, o que a torna uma excelente ferramenta para demonstraƧƵes, fins educativos e experiĆŖncias rĆ”pidas.

Exemplo de captura de ecrĆ£ do Gradio

Como instalar o Gradio

pip install gradio

Como utilizar a interface

  1. Carrega a imagem: Clica em "Carregar imagem" para escolher um ficheiro de imagem para a deteĆ§Ć£o de objectos.
  2. Ajusta os parĆ¢metros:
    • Limiar de confianƧa: Desliza para definir o nĆ­vel mĆ­nimo de confianƧa para a deteĆ§Ć£o de objectos.
    • Limiar IoU: Desliza para definir o limiar de IoU para distinguir objectos diferentes.
  3. VĆŖ os resultados: A imagem processada com os objectos detectados e as respectivas etiquetas serĆ” apresentada.

Exemplos de casos de utilizaĆ§Ć£o

  • Imagem de exemplo 1: DeteĆ§Ć£o de autocarros com limiares predefinidos.
  • Imagem de amostra 2: DeteĆ§Ć£o de uma imagem de desporto com limiares predefinidos.

Exemplo de utilizaĆ§Ć£o

Esta secĆ§Ć£o fornece o cĆ³digo Python utilizado para criar a interface Gradio com o modelo Ultralytics YOLOv8 . Suporta tarefas de classificaĆ§Ć£o, tarefas de deteĆ§Ć£o, tarefas de segmentaĆ§Ć£o e tarefas de pontos-chave.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolov8n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLOv8 model with adjustable confidence and IOU thresholds."""
    results = model.predict(
        source=img,
        conf=conf_threshold,
        iou=iou_threshold,
        show_labels=True,
        show_conf=True,
        imgsz=640,
    )

    for r in results:
        im_array = r.plot()
        im = Image.fromarray(im_array[..., ::-1])

    return im


iface = gr.Interface(
    fn=predict_image,
    inputs=[
        gr.Image(type="pil", label="Upload Image"),
        gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
        gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
    ],
    outputs=gr.Image(type="pil", label="Result"),
    title="Ultralytics Gradio",
    description="Upload images for inference. The Ultralytics YOLOv8n model is used by default.",
    examples=[
        [ASSETS / "bus.jpg", 0.25, 0.45],
        [ASSETS / "zidane.jpg", 0.25, 0.45],
    ],
)

if __name__ == "__main__":
    iface.launch()

ExplicaĆ§Ć£o dos parĆ¢metros

Nome do parĆ¢metro Tipo DescriĆ§Ć£o
img Image A imagem na qual a deteĆ§Ć£o de objectos serĆ” realizada.
conf_threshold float Limiar de confianƧa para a deteĆ§Ć£o de objectos.
iou_threshold float Limiar de intersecĆ§Ć£o-sobre-uniĆ£o para separaĆ§Ć£o de objectos.

Componentes da interface Gradio

Componente DescriĆ§Ć£o
Entrada de imagem Para carregar a imagem para deteĆ§Ć£o.
Deslizadores Ajusta os limiares de confianƧa e de IoU.
SaĆ­da de imagem Para visualizar os resultados da deteĆ§Ć£o.


Created 2024-02-01, Updated 2024-06-19
Authors: ambitious-octopus (1), glenn-jocher (5), IvorZhu331 (1), RizwanMunawar (1)

ComentƔrios