Перейти к содержимому

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: Gradio Integration with 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.

Скриншот примера Gradio

Как установить Gradio

pip install gradio

Как пользоваться интерфейсом

  1. Загрузи изображение: Кликни на "Upload Image", чтобы выбрать файл изображения для обнаружения объекта.
  2. Настрой параметры:
    • Порог уверенности: Ползунок для установки минимального уровня доверия для обнаружения объектов.
    • Порог IoU: Ползунок для установки порога IoU для различения разных объектов.
  3. 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 and plots labeled objects in an image using 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.


Created 2024-02-01, Updated 2024-06-10
Authors: glenn-jocher (5), IvorZhu331 (1), RizwanMunawar (1)

Комментарии