Интерактивное обнаружение объектов: Gradio & Ultralytics YOLOv8 🚀.
Введение в интерактивное обнаружение объектов
Этот интерфейс Gradio обеспечивает простой и интерактивный способ обнаружения объектов с помощью Ultralytics YOLOv8 модели. Пользователи могут загружать изображения и настраивать такие параметры, как порог доверия и порог пересечения-пересечения (IoU), чтобы получать результаты обнаружения в реальном времени.
Смотри: Интеграция Gradio с Ultralytics YOLOv8
Почему стоит использовать Gradio для обнаружения объектов?
- Удобный интерфейс: Gradio предлагает пользователям простую платформу для загрузки изображений и визуализации результатов обнаружения без необходимости кодирования.
- Настройки в реальном времени: Такие параметры, как пороги уверенности и IoU, можно настраивать на лету, что обеспечивает мгновенную обратную связь и оптимизацию результатов обнаружения.
- Широкая доступность: Доступ к веб-интерфейсу Gradio может получить каждый, что делает его отличным инструментом для демонстраций, образовательных целей и быстрых экспериментов.
Как установить Gradio
Как пользоваться интерфейсом
- Загрузи изображение: Кликни на "Upload Image", чтобы выбрать файл изображения для обнаружения объекта.
- Настрой параметры:
- Порог уверенности: Ползунок для установки минимального уровня доверия для обнаружения объектов.
- Порог IoU: Ползунок для установки порога IoU для различения разных объектов.
- Просмотри результаты: На экране появится обработанное изображение с обнаруженными объектами и их метками.
Примеры использования
- Образец изображения 1: Обнаружение автобуса с пороговыми значениями по умолчанию.
- Образец изображения 2: обнаружение на спортивном изображении с пороговыми значениями по умолчанию.
Пример использования
В этом разделе представлен Python-код, используемый для создания интерфейса Gradio с моделью Ultralytics YOLOv8. Поддерживаются задачи классификации, задачи обнаружения, задачи сегментации и задачи по ключевым точкам.
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()
Объяснение параметров
Имя параметра | Тип | Описание |
---|---|---|
img |
Image |
Изображение, на котором будет происходить обнаружение объектов. |
conf_threshold |
float |
Порог доверия для обнаружения объектов. |
iou_threshold |
float |
Порог пересечения-пересечения для разделения объектов. |
Компоненты интерфейса Gradio
Компонент | Описание |
---|---|
Входное изображение | Чтобы загрузить изображение для обнаружения. |
Слайдеры | Чтобы настроить пороги уверенности и IoU. |
Выход изображения | Чтобы отобразить результаты обнаружения. |
ВОПРОСЫ И ОТВЕТЫ
Как использовать Gradio с Ultralytics YOLOv8 для обнаружения объектов?
Чтобы использовать Gradio с Ultralytics YOLOv8 для обнаружения объектов, ты можешь выполнить следующие шаги:
- Установи Gradio: Используй команду
pip install gradio
. - Создай интерфейс: Напиши скрипт Python для инициализации интерфейса Gradio. За подробностями ты можешь обратиться к предоставленному примеру кода в документации.
- Загружай и настраивай: Загрузи свое изображение и отрегулируй пороги уверенности и IoU в интерфейсе Gradio, чтобы получить результаты обнаружения объектов в реальном времени.
Вот минимальный фрагмент кода для ознакомления:
import gradio as gr
from ultralytics import YOLO
model = YOLO("yolov8n.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 YOLOv8",
description="Upload images for YOLOv8 object detection.",
)
iface.launch()
В чем преимущества использования Gradio для обнаружения объектов Ultralytics YOLOv8 ?
Использование Gradio для обнаружения объектов Ultralytics YOLOv8 дает несколько преимуществ:
- Удобный интерфейс: Gradio предоставляет пользователям интуитивно понятный интерфейс для загрузки изображений и визуализации результатов обнаружения без каких-либо усилий по кодированию.
- Настройки в реальном времени: Ты можешь динамически настраивать параметры обнаружения, такие как пороги уверенности и IoU, и сразу же видеть эффект.
- Доступность: Веб-интерфейс доступен любому, что делает его полезным для быстрых экспериментов, образовательных целей и демонстраций.
Для получения более подробной информации ты можешь прочитать эту запись в блоге.
Могу ли я использовать Gradio и Ultralytics YOLOv8 вместе в образовательных целях?
Да, Gradio и Ultralytics YOLOv8 можно эффективно использовать вместе в образовательных целях. Интуитивно понятный веб-интерфейс Gradio позволяет студентам и преподавателям легко взаимодействовать с современными моделями глубокого обучения, такими как Ultralytics YOLOv8 , не требуя при этом продвинутых навыков программирования. Эта установка идеально подходит для демонстрации ключевых концепций в области обнаружения объектов и компьютерного зрения, так как Gradio обеспечивает немедленную визуальную обратную связь, которая помогает понять влияние различных параметров на эффективность обнаружения.
Как настроить пороги уверенности и IoU в интерфейсе Gradio для YOLOv8?
В интерфейсе Gradio для YOLOv8 ты можешь настроить пороги уверенности и IoU с помощью ползунков. Эти пороги помогают контролировать точность предсказания и разделение объектов:
- Порог уверенности: Определяет минимальный уровень доверия для обнаружения объектов. Сдвигай, чтобы увеличить или уменьшить требуемую уверенность.
- Порог IoU: Устанавливает порог пересечения-пересечения для различения перекрывающихся объектов. Отрегулируй это значение, чтобы уточнить разделение объектов.
Чтобы узнать больше об этих параметрах, посети раздел объяснения параметров.
Каковы некоторые практические применения использования Ultralytics YOLOv8 с Gradio?
Практическое применение сочетания Ultralytics YOLOv8 с Gradio включает в себя:
- Демонстрации обнаружения объектов в реальном времени: Идеально подходит для демонстрации того, как работает обнаружение объектов в реальном времени.
- Образовательные инструменты: Пригодится в учебных заведениях для обучения распознаванию объектов и концепциям компьютерного зрения.
- Разработка прототипов: Эффективен для быстрой разработки и тестирования прототипов приложений для обнаружения объектов.
- Сообщество и совместная работа: Сделать так, чтобы было легко делиться моделями с сообществом для обратной связи и сотрудничества.
Примеры подобных вариантов использования можно найти в блогеUltralytics .
Предоставление этой информации в документации поможет повысить удобство использования и доступность Ultralytics YOLOv8 , сделав его более понятным для пользователей с любым уровнем знаний.
Создано 2024-02-01, Обновлено 2024-07-05
Авторы: glenn-jocher (6), ambitious-octopus (1), IvorZhu331 (1), RizwanMunawar (1)