Streamlit Uygulaması ile Canlı Çıkarım Ultralytics YOLO11

Giriş

Streamlit, etkileşimli web uygulamaları oluşturmayı ve dağıtmayı kolaylaştırır. Bunu Ultralytics YOLO11 ile birleştirmek, doğrudan tarayıcınızda gerçek zamanlı nesne algılama ve analizine olanak tanır. YOLO11 yüksek doğruluk ve hız, canlı video akışları için sorunsuz performans sağlar, bu da onu güvenlik, perakende ve ötesindeki uygulamalar için ideal hale getirir.

İzle: Gerçek Zamanlı Streamlit Ultralytics ile Nasıl Kullanılır Bilgisayarla Görme Tarayıcınızda

Akuakültür	Hayvan yetiştiriciliği
Kullanarak Balık Tespiti Ultralytics YOLO11	Hayvanlar Kullanılarak Tespit Ultralytics YOLO11

Canlı Çıkarımın Avantajları

• Sorunsuz Gerçek Zamanlı Nesne Algılama: Streamlit, YOLO11 ile birlikte doğrudan web kamerası akışınızdan gerçek zamanlı nesne algılama sağlar. Bu, anında analiz ve içgörülere olanak tanıyarak anında geri bildirim gerektiren uygulamalar için idealdir.
• 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.
• Verimli Kaynak Kullanımı: YOLO11 optimize edilmiş algoritma, minimum hesaplama kaynaklarıyla yüksek hızlı işleme sağlar. Bu verimlilik, standart donanımlarda bile sorunsuz ve güvenilir web kamerası çıkarımına olanak tanıyarak gelişmiş bilgisayarla görmeyi daha geniş bir kitle için erişilebilir hale getirir.

Streamlit Uygulama Kodu

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

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

Bu, Streamlit uygulamasını varsayılan web tarayıcınızda başlatacaktır. Ana başlığı, alt başlığı ve yapılandırma seçeneklerini içeren kenar çubuğunu göreceksiniz. İstediğiniz YOLO11 modelini seçin, güven ve NMS eşiklerini ayarlayın ve gerçek zamanlı nesne tespitine başlamak için "Başlat" düğmesine tıklayın.

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

Bu kılavuzu takip ederek Streamlit ve Ultralytics YOLO11 kullanarak gerçek zamanlı bir nesne algılama uygulamasını başarıyla oluşturdunuz. Bu uygulama, kullanıcı dostu bir arayüz ve video akışını istediğiniz zaman durdurma yeteneği ile web kameranız aracılığıyla nesneleri tespit etmede YOLO11 'un gücünü deneyimlemenizi sağlar.

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 Nerede Bulabilirsiniz?

• 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 Dokümantasyon: Çeşitli bilgisayarla görme görevleri ve projelerine ilişkin kapsamlı kılavuzlar ve içgörüler için resmi YOLO11 belgelerine bakın.

SSS

Streamlit ve Ultralytics YOLO11 kullanarak gerçek zamanlı bir nesne algılama uygulamasını nasıl kurabilirim?

Streamlit ve Ultralytics YOLO11 ile gerçek zamanlı bir nesne algılama uygulaması kurmak kolaydır. Öncelikle, Ultralytics Python paketini kullanarak yüklediğinizden emin olun:

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.

Gerçek zamanlı nesne algılama için Streamlit ile Ultralytics YOLO11 kullanmanın temel avantajları nelerdir?

Gerçek zamanlı nesne tespiti için Streamlit ile Ultralytics YOLO11 adresini kullanmak çeşitli avantajlar sunar:

• Sorunsuz Gerçek Zamanlı Algılama: Doğrudan web kamerası akışlarından yüksek doğrulukta, gerçek zamanlı nesne algılama elde edin.
• Kullanıcı Dostu Arayüz: Streamlit'in sezgisel arayüzü, kapsamlı teknik bilgi olmadan kolay kullanım ve dağıtım sağlar.
• Kaynak Verimliliği: YOLO11'un optimize edilmiş algoritmaları, minimum hesaplama kaynaklarıyla yüksek hızlı işleme sağlar.

Bu avantajlar hakkında daha fazla bilgiyi burada bulabilirsiniz.

Web tarayıcımda bir Streamlit nesne algılama uygulamasını nasıl dağıtabilirim?

Streamlit uygulamanızı Ultralytics YOLO11 adresini entegre ederek kodladıktan sonra, çalıştırarak dağıtabilirsiniz:

streamlit run <file-name.py>

Bu komut, uygulamayı varsayılan web tarayıcınızda başlatarak YOLO11 modellerini seçmenize, güven ve NMS eşiklerini ayarlamanıza ve basit bir tıklama ile gerçek zamanlı nesne algılamayı başlatmanıza olanak tanır. Ayrıntılı bir kılavuz için Streamlit Uygulama Kodu bölümüne bakın.

Streamlit ve Ultralytics YOLO11 kullanarak gerçek zamanlı nesne tespiti için bazı kullanım durumları nelerdir?

Streamlit ve Ultralytics YOLO11 kullanılarak gerçek zamanlı nesne tespiti çeşitli sektörlerde uygulanabilir:

• 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.

Ultralytics YOLO11 , YOLOv5 ve RCNN'ler gibi diğer nesne algılama modelleriyle karşılaştırıldığında nasıldır?

Ultralytics YOLO11 YOLOv5 ve RCNN'ler gibi önceki modellere göre çeşitli geliştirmeler sağlar:

• 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.

Kapsamlı bir karşılaştırma için Ultralytics YOLO11 Dokümantasyonuna ve model performansını tartışan ilgili blog yazılarına bakın.

📅 Created 5 months ago ✏️ Updated 29 days ago

Yorumlar