Интерактивное обнаружение объектов: Gradio и Ultralytics YOLO26#
Введение в интерактивное обнаружение объектов#
Этот интерфейс Gradio позволяет легко и интерактивно выполнять обнаружение объектов с помощью модели Ultralytics YOLO26. Пользователи могут загружать изображения и настраивать параметры, например порог уверенности и порог пересечения над объединением (IoU), чтобы получать результаты обнаружения в реальном времени.
Смотри: Развертывание Ultralytics YOLO26 в браузере с помощью Gradio | Полное руководство | Компьютерное зрение с ИИ 🌐
Зачем использовать Gradio для обнаружения объектов?#
- Удобный интерфейс: Gradio предоставляет простую платформу для загрузки изображений и просмотра результатов обнаружения — навыки программирования не нужны.
- Настройка в реальном времени: Параметры, например пороги уверенности и IoU, можно менять на лету, сразу оценивая и улучшая результаты обнаружения.
- Широкая доступность: Веб-интерфейс Gradio доступен всем, поэтому он отлично подходит для демонстраций, обучения и быстрых экспериментов.
Как установить Gradio#
pip install gradioКак пользоваться интерфейсом#
- Загрузи изображение: Нажми «Upload Image», чтобы выбрать файл изображения для обнаружения объектов.
- Настрой параметры:
- Порог уверенности: Ползунок задаёт минимальный уровень уверенности для обнаружения объектов.
- Порог IoU: Ползунок задаёт порог IoU для различения объектов.
- Посмотри результаты: Отобразится обработанное изображение с обнаруженными объектами и их метками.
Примеры использования#
- Пример изображения 1: Обнаружение автобуса с порогами по умолчанию.
- Пример изображения 2: Обнаружение объектов на спортивном изображении с порогами по умолчанию.
Пример использования#
В этом разделе приведён код Python для создания интерфейса Gradio, который выполняет обнаружение объектов с помощью Ultralytics YOLO26. Пример можно адаптировать для классификации, сегментации экземпляров, определения позы и других задач YOLO, загрузив соответствующую контрольную точку модели.
import gradio as gr
from PIL import Image
from ultralytics import ASSETS, YOLO
model = YOLO("yolo26n.pt")
def predict_image(img, conf_threshold, iou_threshold):
"""Predicts objects in an image using a YOLO26 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 YOLO26n 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()Описание параметров#
| Название параметра | Тип | Описание |
|---|---|---|
img | Image | Изображение, на котором будет выполняться обнаружение объектов. |
conf_threshold | float | Порог уверенности для обнаружения объектов. |
iou_threshold | float | Порог пересечения над объединением для разделения объектов. |
Компоненты интерфейса Gradio#
| Компонент | Описание |
|---|---|
| Ввод изображения | Для загрузки изображения, на котором нужно выполнить обнаружение. |
| Ползунки | Для настройки порогов уверенности и IoU. |
| Вывод изображения | Для отображения результатов обнаружения. |
Часто задаваемые вопросы#
Чтобы использовать Gradio с Ultralytics YOLO26 для обнаружения объектов, выполни следующие шаги:
- Установи Gradio: Выполни команду
pip install gradio. - Создай интерфейс: Напиши скрипт Python для инициализации интерфейса Gradio. Подробности смотри в примере кода в документации.
- Загрузи изображение и настрой параметры: Загрузи изображение и настрой пороги уверенности и IoU в интерфейсе Gradio, чтобы получать результаты обнаружения объектов в реальном времени.
Вот минимальный фрагмент кода для примера:
import gradio as gr from ultralytics import YOLO model = YOLO("yolo26n.pt") def predict_image(img, conf_threshold, iou_threshold): results = model.predict( source=img, conf=conf_threshold, iou=iou_threshold, show_labels=True, show_conf=True, ) return results[0].plot(pil=True) # Изображение RGB PIL; plot() без pil=True возвращает массив BGR 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 YOLO26", description="Upload images for YOLO26 object detection.", ) iface.launch()- Установи Gradio: Выполни команду
Использование Gradio для обнаружения объектов с Ultralytics YOLO26 даёт несколько преимуществ:
- Удобный интерфейс: Gradio предоставляет интуитивно понятный интерфейс для загрузки изображений и просмотра результатов обнаружения — программировать не нужно.
- Настройка в реальном времени: Можно динамически менять параметры обнаружения, например пороги уверенности и IoU, и сразу видеть результат.
- Доступность: Веб-интерфейс доступен всем и подходит для быстрых экспериментов, обучения и демонстраций.
Подробнее о похожих методах интерактивной визуализации читай в этой статье блога об ИИ в радиологии.
Да, Gradio и Ultralytics YOLO26 можно эффективно использовать вместе в образовательных целях. Интуитивно понятный веб-интерфейс Gradio позволяет студентам и преподавателям работать с передовыми моделями глубокого обучения, например Ultralytics YOLO26, без продвинутых навыков программирования. Такая связка отлично подходит для демонстрации ключевых концепций обнаружения объектов и компьютерного зрения: Gradio сразу показывает результат, помогая понять, как различные параметры влияют на качество обнаружения.
В интерфейсе Gradio для YOLO26 пороги уверенности и IoU можно настроить с помощью ползунков. Эти пороги помогают контролировать точность предсказаний и разделение объектов:
- Порог уверенности: Определяет минимальный уровень уверенности для обнаружения объектов. Передвинь ползунок, чтобы увеличить или уменьшить требуемую уверенность.
- Порог IoU: Задаёт порог пересечения над объединением для различения перекрывающихся объектов. Настрой это значение, чтобы точнее разделять объекты.
Подробнее об этих параметрах читай в разделе с описанием параметров.
Примеры практического применения Ultralytics YOLO26 с Gradio:
- Демонстрация обнаружения объектов в реальном времени: Покажи, как обнаружение объектов работает в реальном времени.
- Образовательные инструменты: Используй их в учебных заведениях для преподавания обнаружения объектов и компьютерного зрения.
- Разработка прототипов: Быстро создавай и тестируй прототипы приложений для обнаружения объектов.
- Сообщество и сотрудничество: Делись моделями с сообществом, чтобы получать отзывы и вместе работать над проектами.
Примеры похожих сценариев использования смотри в статье блога Ultralytics о мониторинге поведения животных, где показано, как интерактивная визуализация помогает охранять дикую природу.