Live Inference with Streamlit Application using Ultralytics YOLO11

Giriş

Streamlit makes it simple to build and deploy interactive web applications. Combining this with Ultralytics YOLO11 allows for real-time object detection and analysis directly in your browser. YOLO11 high accuracy and speed ensure seamless performance for live video streams, making it ideal for applications in security, retail, and beyond.

İzle: How to Use Streamlit with Ultralytics for Real-Time Computer Vision in Your Browser

Akuakültür	Hayvan yetiştiriciliği
Fish Detection using Ultralytics YOLO11	Animals Detection using Ultralytics YOLO11

Canlı Çıkarımın Avantajları

• Seamless Real-Time Object Detection: Streamlit combined with YOLO11 enables real-time object detection directly from your webcam feed. This allows for immediate analysis and insights, making it ideal for applications requiring instant feedback.
• Kullanıcı Dostu Dağıtım: Streamlit'in etkileşimli arayüzü, kapsamlı teknik bilgi olmadan uygulamayı dağıtmayı ve kullanmayı kolaylaştırır. Kullanıcılar basit bir tıklama ile canlı çıkarıma başlayabilir, bu da erişilebilirliği ve kullanılabilirliği artırır.
• Efficient Resource Utilization: YOLO11 optimized algorithm ensure high-speed processing with minimal computational resources. This efficiency allows for smooth and reliable webcam inference even on standard hardware, making advanced computer vision accessible to a wider audience.

Streamlit Uygulama Kodu

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

This will launch the Streamlit application in your default web browser. You will see the main title, subtitle, and the sidebar with configuration options. Select your desired YOLO11 model, set the confidence and NMS thresholds, and click the "Start" button to begin the real-time object detection.

İsteğe bağlı olarak Python adresinde belirli bir model sağlayabilirsiniz:

from ultralytics import solutions

# Pass a model as an argument
solutions.inference(model="path/to/model.pt")

### Make sure to run the file using command `streamlit run <file-name.py>`

Sonuç

By following this guide, you have successfully created a real-time object detection application using Streamlit and Ultralytics YOLO11. This application allows you to experience the power of YOLO11 in detecting objects through your webcam, with a user-friendly interface and the ability to stop the video stream at any time.

Daha fazla geliştirme için video akışını kaydetme, açıklamalı kareleri kaydetme veya diğer bilgisayarla görme kütüphaneleriyle entegre etme gibi daha fazla özellik eklemeyi keşfedebilirsiniz.

Düşüncelerinizi Toplulukla Paylaşın

Daha fazla bilgi edinmek, sorunları gidermek ve projelerinizi paylaşmak için toplulukla etkileşim kurun:

Yardım ve desteği nereden bulabilirim?

• GitHub Sorunları: Soru sormak, hata bildirmek ve özellik önermek için Ultralytics GitHub deposunu ziyaret edin.
• Ultralytics Discord Sunucusu: Diğer kullanıcılar ve geliştiricilerle bağlantı kurmak, destek almak, bilgi paylaşmak ve beyin fırtınası yapmak için Ultralytics Discord sunucusuna katılın.

Resmi Belgeler

• Ultralytics YOLO11 Documentation: Refer to the official YOLO11 documentation for comprehensive guides and insights on various computer vision tasks and projects.

SSS

How can I set up a real-time object detection application using Streamlit and Ultralytics YOLO11?

Setting up a real-time object detection application with Streamlit and Ultralytics YOLO11 is straightforward. First, ensure you have the Ultralytics Python package installed using:

pip install ultralytics

Ardından, canlı çıkarımı çalıştırmak için temel bir Streamlit uygulaması oluşturabilirsiniz:

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Pratik kurulum hakkında daha fazla ayrıntı için, belgelerin Streamlit Uygulama Kodu bölümüne bakın.

What are the main advantages of using Ultralytics YOLO11 with Streamlit for real-time object detection?

Using Ultralytics YOLO11 with Streamlit for real-time object detection offers several advantages:

• Seamless Real-Time Detection: Achieve high-accuracy, real-time object detection directly from webcam feeds.
• Kullanıcı Dostu Arayüz: Streamlit'in sezgisel arayüzü, kapsamlı teknik bilgi olmadan kolay kullanım ve dağıtım sağlar.
• Resource Efficiency: YOLO11's optimized algorithms ensure high-speed processing with minimal computational resources.

Bu avantajlar hakkında daha fazla bilgiyi burada bulabilirsiniz.

Web tarayıcımda bir Streamlit nesne algılama uygulamasını nasıl dağıtabilirim?

After coding your Streamlit application integrating Ultralytics YOLO11, you can deploy it by running:

streamlit run <file-name.py>

This command will launch the application in your default web browser, enabling you to select YOLO11 models, set confidence, and NMS thresholds, and start real-time object detection with a simple click. For a detailed guide, refer to the Streamlit Application Code section.

What are some use cases for real-time object detection using Streamlit and Ultralytics YOLO11?

Real-time object detection using Streamlit and Ultralytics YOLO11 can be applied in various sectors:

• Güvenlik: Yetkisiz erişim için gerçek zamanlı izleme.
• Perakende: Müşteri sayımı, raf yönetimi ve daha fazlası.
• Yaban Hayatı ve Tarım: Hayvanların ve mahsul koşullarının izlenmesi.

Daha ayrıntılı kullanım durumları ve örnekler için Ultralytics Solutions adresini inceleyin.

How does Ultralytics YOLO11 compare to other object detection models like YOLOv5 and RCNNs?

Ultralytics YOLO11 provides several enhancements over prior models like YOLOv5 and RCNNs:

• Daha Yüksek Hız ve Doğruluk: Gerçek zamanlı uygulamalar için geliştirilmiş performans.
• Kullanım Kolaylığı: Basitleştirilmiş arayüzler ve dağıtım.
• Kaynak Verimliliği: Minimum hesaplama gereksinimi ile daha iyi hız için optimize edilmiştir.

For a comprehensive comparison, check Ultralytics YOLO11 Documentation and related blog posts discussing model performance.

📅 Created 3 months ago ✏️ Updated 16 days ago

Yorumlar