Интерактивный Object Detection: Gradio и Ultralytics YOLO26 🚀
Введение в интерактивное обнаружение объектов
Этот интерфейс Gradio предоставляет простой и интерактивный способ выполнения object detection с использованием модели Ultralytics YOLO26. Пользователи могут загружать изображения и настраивать такие параметры, как порог достоверности и порог пересечения по объединению (IoU), для получения результатов обнаружения в реальном времени.
Смотреть: Интеграция Gradio с Ultralytics YOLO26
Зачем использовать Gradio для обнаружения объектов?
- Удобный интерфейс: Gradio предлагает простую платформу для пользователей, позволяющую загружать изображения и визуализировать результаты обнаружения без каких-либо требований к кодированию.
- Настройки в реальном времени: Такие параметры, как пороги уверенности и IoU, можно регулировать на лету, что позволяет немедленно получать обратную связь и оптимизировать результаты обнаружения (detect).
- Широкая доступность: Веб-интерфейс Gradio доступен каждому, что делает его отличным инструментом для демонстраций, образовательных целей и быстрых экспериментов.
Как установить Gradio
pip install gradio
Как использовать интерфейс
- Загрузка изображения: Нажмите «Загрузить изображение», чтобы выбрать файл изображения для обнаружения объектов.
- Настройка параметров:
- Порог уверенности: Ползунок для установки минимального уровня уверенности для обнаружения объектов.
- Порог IoU: Ползунок для установки порога IoU для различения разных объектов.
- Просмотр результатов: Обработанное изображение с обнаруженными объектами и их метками будет отображено.
Примеры вариантов использования
- Пример изображения 1: Обнаружение автобуса с порогами по умолчанию.
- Пример изображения 2: Обнаружение на спортивном изображении с порогами по умолчанию.
Пример использования
В этом разделе представлен код Python, используемый для создания интерфейса Gradio с моделью Ultralytics YOLO26. Код поддерживает задачи классификации, задачи detect, задачи segment и задачи по ключевым точкам.
import gradio as gr
import PIL.Image as 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()
Объяснение параметров
| Имя параметра | Тип | Описание |
|---|---|---|
img | Image | Изображение, на котором будет выполняться обнаружение объектов. |
conf_threshold | float | Порог достоверности для обнаружения объектов. |
iou_threshold | float | Порог Intersection-over-union для разделения объектов. |
Компоненты интерфейса Gradio
| Компонент | Описание |
|---|---|
| Ввод изображения | Чтобы загрузить изображение для обнаружения. |
| Ползунки | Для настройки порогов уверенности и IoU. |
| Вывод изображения | Чтобы отобразить результаты обнаружения. |
Часто задаваемые вопросы
Как использовать Gradio с Ultralytics YOLO26 для object detection?
Чтобы использовать Gradio с Ultralytics YOLO26 для object detection, вы можете выполнить следующие шаги:
- Установите Gradio: Используйте команду
pip install gradio. - Создать интерфейс: Напишите python-скрипт для инициализации интерфейса Gradio. Подробную информацию можно найти в примере кода, представленном в документации.
- Загрузите и настройте: Загрузите свое изображение и настройте пороги уверенности и IoU в интерфейсе Gradio, чтобы получить результаты object detection в реальном времени.
Вот минимальный фрагмент кода для справки:
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() if results else None
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()
Каковы преимущества использования Gradio для Ultralytics YOLO26 object detection?
Использование Gradio для Ultralytics YOLO26 object detection предлагает несколько преимуществ:
- Удобный интерфейс: Gradio предоставляет интуитивно понятный интерфейс для пользователей, позволяющий загружать изображения и визуализировать результаты обнаружения без каких-либо усилий по кодированию.
- Настройки в реальном времени: Вы можете динамически настраивать параметры обнаружения (detect), такие как пороги уверенности и IoU, и сразу видеть результаты.
- Доступность: Веб-интерфейс доступен любому пользователю, что делает его полезным для быстрых экспериментов, образовательных целей и демонстраций.
Для получения более подробной информации вы можете прочитать эту статью в блоге об ИИ в радиологии, в которой демонстрируются аналогичные методы интерактивной визуализации.
Можно ли использовать Gradio и Ultralytics YOLO26 вместе в образовательных целях?
Да, Gradio и Ultralytics YOLO26 могут эффективно использоваться вместе в образовательных целях. Интуитивно понятный веб-интерфейс Gradio позволяет студентам и преподавателям легко взаимодействовать с передовыми моделями глубокого обучения, такими как Ultralytics YOLO26, без необходимости обладания продвинутыми навыками программирования. Эта настройка идеально подходит для демонстрации ключевых концепций в object detection и компьютерном зрении, поскольку Gradio обеспечивает немедленную визуальную обратную связь, что помогает понять влияние различных параметров на производительность обнаружения.
Как настроить пороги достоверности и IoU в интерфейсе Gradio для YOLO26?
В интерфейсе Gradio для YOLO26 вы можете регулировать пороги достоверности и IoU с помощью предоставленных ползунков. Эти пороги помогают контролировать точность предсказаний и разделение объектов:
- Порог уверенности: Определяет минимальный уровень уверенности для обнаружения объектов. Передвиньте, чтобы увеличить или уменьшить требуемую уверенность.
- Порог IoU: Устанавливает порог intersection-over-union для различения перекрывающихся объектов. Отрегулируйте это значение для уточнения разделения объектов.
Для получения дополнительной информации об этих параметрах посетите раздел с объяснением параметров.
Каковы некоторые практические применения использования Ultralytics YOLO26 с Gradio?
Практические применения комбинации Ultralytics YOLO26 с Gradio включают:
- Демонстрации обнаружения объектов в реальном времени: Идеально подходят для демонстрации того, как работает обнаружение объектов в реальном времени.
- Образовательные инструменты: Полезно в академической среде для обучения обнаружению объектов и концепциям компьютерного зрения.
- Разработка прототипов: Эффективен для быстрой разработки и тестирования прототипов приложений обнаружения объектов.
- Сообщество и сотрудничество: Упрощение обмена моделями с сообществом для получения отзывов и сотрудничества.
Примеры аналогичных вариантов использования можно найти в блоге Ultralytics о мониторинге поведения животных, в котором показано, как интерактивная визуализация может улучшить усилия по сохранению дикой природы.
