Инференс в реальном времени с приложением Streamlit и Ultralytics YOLO26#
Введение#
Streamlit упрощает создание и развёртывание интерактивных веб-приложений. В сочетании с Ultralytics YOLO26 он обеспечивает обнаружение объектов и анализ в реальном времени прямо в браузере. Высокая точность и скорость YOLO26 обеспечивают бесперебойную обработку видеопотоков в реальном времени, поэтому модель подходит для приложений в сфере безопасности, розничной торговли и не только.
Смотри: Как создать приложение для инференса в реальном времени с Ultralytics YOLO26 и Streamlit | Обнаружение и сегментация 🚀
| Аквакультура | Животноводство |
|---|---|
 |  |
| Обнаружение рыб с помощью Ultralytics YOLO26 | Обнаружение животных с помощью Ultralytics YOLO26 |
Преимущества инференса в реальном времени#
- Удобное обнаружение объектов в реальном времени: Streamlit в сочетании с YOLO26 позволяет обнаруживать объекты в реальном времени прямо с веб-камеры. Это даёт возможность сразу проводить анализ и получать результаты, что особенно полезно для приложений, требующих мгновенной обратной связи.
- Простое развёртывание: интерактивный интерфейс Streamlit позволяет легко развёртывать и использовать приложение без глубоких технических знаний. Чтобы запустить инференс в реальном времени, достаточно одного щелчка мышью, что делает приложение доступнее и удобнее.
- Эффективное использование ресурсов: оптимизированные алгоритмы YOLO26 обеспечивают высокую скорость обработки при минимальных вычислительных затратах. Благодаря этому инференс с веб-камеры работает плавно и надёжно даже на стандартном оборудовании, открывая доступ к передовым методам компьютерного зрения широкой аудитории.
Код приложения Streamlit#
Прежде чем приступать к созданию приложения, убедись, что пакет Ultralytics для Python установлен.
pip install ultralyticsyolo solutions inference
yolo solutions inference model="path/to/model.pt"
yolo solutions help # list the available solution commands and argumentsЭти команды запускают стандартный интерфейс Streamlit, поставляемый с Ultralytics.
Так приложение Streamlit откроется в браузере по умолчанию. Ты увидишь заголовок, подзаголовок и боковую панель с параметрами конфигурации. Выбери нужную модель YOLO26, задай пороги уверенности и NMS, затем нажми кнопку «Start», чтобы начать обнаружение объектов в реальном времени.
Как это работает#
Внутри приложение Streamlit использует модуль решений Ultralytics для создания интерактивного интерфейса. После запуска инференса приложение:
- Захватывает кадры с веб-камеры, из загруженного видеофайла или загруженных изображений
- Обрабатывает каждый кадр с помощью модели YOLO26
- Обнаруживает объекты с заданными тобой порогами уверенности и IoU
- В реальном времени отображает исходные и размеченные кадры
- При необходимости включает отслеживание объектов, если оно выбрано
Приложение предоставляет понятный и удобный интерфейс с элементами управления параметрами модели и запуска/остановки инференса в любое время.
Заключение#
Следуя этому руководству, ты успешно создал приложение для обнаружения объектов в реальном времени с помощью Streamlit и Ultralytics YOLO26. Приложение позволяет оценить возможности YOLO26 при обнаружении объектов с веб-камеры благодаря удобному интерфейсу и возможности в любой момент остановить видеопоток.
Чтобы расширить функциональность, можно добавить запись видеопотока, сохранение размеченных кадров или интеграцию с другими библиотеками компьютерного зрения.
Часто задаваемые вопросы#
Настроить приложение для обнаружения объектов в реальном времени с помощью Streamlit и Ultralytics YOLO26 просто. Сначала установи пакет Ultralytics для Python с помощью команды:
pip install ultralyticsЗатем можно создать простое приложение Streamlit для инференса в реальном времени:
Приложение Streamlitfrom ultralytics import solutions inf = solutions.Inference( model="yolo26n.pt", # можно использовать любую модель, поддерживаемую Ultralytics, например YOLO26 или модель, обученную на собственных данных ) inf.inference() # Обязательно запусти файл командой `streamlit run path/to/file.py`Подробнее о практической настройке см. в разделе документации Код приложения Streamlit.
Использование Ultralytics YOLO26 со Streamlit для обнаружения объектов в реальном времени дает несколько преимуществ:
- Удобное обнаружение в реальном времени: Обнаруживай объекты с высокой точностью прямо в потоке с веб-камеры и в реальном времени.
- Удобный интерфейс: Интуитивно понятный интерфейс Streamlit упрощает использование и развертывание без глубоких технических знаний.
- Эффективное использование ресурсов: Оптимизированные алгоритмы YOLO26 обеспечивают высокую скорость обработки при минимальных вычислительных затратах.
Подробнее об этих преимуществах читай в разделе Преимущества инференса в реальном времени.
После написания приложения Streamlit с интеграцией Ultralytics YOLO26 запусти его командой:
streamlit run path/to/file.pyЭта команда откроет приложение в браузере по умолчанию и позволит выбрать модели YOLO26, задать пороги уверенности и NMS, а затем одним нажатием запустить обнаружение объектов в реальном времени. Подробные инструкции см. в разделе Код приложения Streamlit.
Обнаружение объектов в реальном времени с помощью Streamlit и Ultralytics YOLO26 можно применять в разных сферах:
- Безопасность: Мониторинг несанкционированного доступа в реальном времени и системы охранной сигнализации.
- Розничная торговля: Подсчет покупателей, управление полками и отслеживание запасов.
- Природа и сельское хозяйство: Мониторинг животных и состояния посевов для мер по сохранению природы.
Больше примеров и сценариев применения см. в разделе Решения Ultralytics.
Ultralytics YOLO26 имеет ряд улучшений по сравнению с предыдущими моделями, такими как YOLOv5 и RCNN:
- Выше скорость и точность: Повышенная производительность для приложений реального времени.
- Простота использования: Упрощенные интерфейсы и развертывание.
- Эффективное использование ресурсов: Оптимизация для более высокой скорости при минимальных вычислительных требованиях.
Подробное сравнение см. в документации Ultralytics YOLO26 и связанных публикациях в блоге о производительности моделей.