Etkileşimli Nesne Algılama: Gradio ve Ultralytics YOLO26 🚀

Etkileşimli Nesne Algılamaya Giriş

This Gradio interface provides an easy and interactive way to perform object detection using the Ultralytics YOLO26 model. Users can upload images and adjust parameters like confidence threshold and intersection-over-union (IoU) threshold to get real-time detection results.

Neden Nesne Algılama İçin Gradio Kullanmalısın?

• Kullanıcı Dostu Arayüz: Gradio, kullanıcıların kodlama gereksinimi olmadan görsel yüklemeleri ve algılama sonuçlarını görselleştirmeleri için basit bir platform sunar.
• Gerçek Zamanlı Ayarlamalar: Güven ve IoU eşikleri gibi parametreler anında ayarlanabilir, bu da geri bildirim ve algılama sonuçlarının optimizasyonunun anlık olarak yapılmasını sağlar.
• Geniş Erişilebilirlik: Gradio web arayüzüne herkes erişebilir; bu da onu gösterimler, eğitim amaçlı kullanımlar ve hızlı deneyler için mükemmel bir araç haline getirir.

Gradio Nasıl Kurulur

pip install gradio

Arayüz Nasıl Kullanılır

1. Görsel Yükle: Nesne algılama için bir görsel dosyası seçmek üzere 'Upload Image' (Görsel Yükle) düğmesine tıkla.
2. Parametreleri Ayarla:
   • Güven Eşiği: Nesneleri algılamak için minimum güven seviyesini ayarlayan kaydırıcı.
   • IoU Eşiği: Farklı nesneleri ayırt etmek için IoU eşiğini ayarlayan kaydırıcı.
3. Sonuçları Görüntüle: Algılanan nesneler ve etiketleriyle işlenmiş görsel görüntülenecektir.

Örnek Kullanım Durumları

• Örnek Görsel 1: Varsayılan eşiklerle otobüs algılama.
• Örnek Görsel 2: Varsayılan eşiklerle bir spor görseli üzerinde algılama.

Kullanım Örneği

Bu bölüm, Ultralytics YOLO26 modeli ile Gradio arayüzünü oluşturmak için kullanılan Python kodunu sağlar. Kod; sınıflandırma, algılama, segmentasyon ve anahtar nokta görevlerini destekler.

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()

Parametre Açıklaması

Gradio Arayüz Bileşenleri

SSS

Gradio'yu nesne algılama için Ultralytics YOLO26 ile nasıl kullanırım?

Gradio'yu nesne algılama için Ultralytics YOLO26 ile kullanmak istersen şu adımları takip edebilirsin:

1. Gradio'yu Kur: pip install gradio komutunu kullan.
2. Arayüzü Oluştur: Gradio arayüzünü başlatmak için bir Python betiği yaz. Detaylar için dokümantasyondaki sağlanan kod örneğine başvurabilirsin.
3. Yükle ve Ayarla: Gerçek zamanlı nesne algılama sonuçları almak için görselini yükle ve Gradio arayüzünden güven ve IoU eşiklerini ayarla.

Referans olması için işte minimal bir kod parçacığı:

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()

Ultralytics YOLO26 nesne algılama için Gradio kullanmanın faydaları nelerdir?

Ultralytics YOLO26 nesne algılama için Gradio kullanmanın birçok faydası vardır:

• Kullanıcı Dostu Arayüz: Gradio, kullanıcıların hiçbir kodlama çabası olmadan görsel yüklemeleri ve algılama sonuçlarını görselleştirmeleri için sezgisel bir arayüz sağlar.
• Gerçek Zamanlı Ayarlamalar: Güven ve IoU eşikleri gibi algılama parametrelerini dinamik olarak ayarlayabilir ve etkilerini anında görebilirsin.
• Erişilebilirlik: Web arayüzüne herkes erişebilir; bu da onu hızlı deneyler, eğitim amaçlı kullanımlar ve gösterimler için yararlı kılar.

Daha fazla detay için benzer etkileşimli görselleştirme tekniklerini sergileyen radyolojide yapay zeka konulu bu blog yazısını okuyabilirsin.

Gradio ve Ultralytics YOLO26'yı eğitim amaçlı birlikte kullanabilir miyim?

Evet, Gradio ve Ultralytics YOLO26 eğitim amaçlı olarak birlikte etkili bir şekilde kullanılabilir. Gradio'nun sezgisel web arayüzü, öğrencilerin ve eğitimcilerin gelişmiş programlama becerilerine ihtiyaç duymadan Ultralytics YOLO26 gibi en son teknoloji derin öğrenme modelleriyle etkileşime girmesini kolaylaştırır. Gradio, farklı parametrelerin algılama performansı üzerindeki etkisini anlamaya yardımcı olan anlık görsel geri bildirim sağladığından, bu kurulum nesne algılama ve bilgisayarlı görü alanındaki temel kavramları göstermek için idealdir.

YOLO26 için Gradio arayüzünde güven ve IoU eşiklerini nasıl ayarlarım?

YOLO26 için Gradio arayüzünde güven ve IoU eşiklerini sağlanan kaydırıcıları kullanarak ayarlayabilirsin. Bu eşikler, tahmin doğruluğunu ve nesne ayrımını kontrol etmeye yardımcı olur:

• Güven Eşiği: Nesneleri algılamak için minimum güven seviyesini belirler. Gerekli güveni artırmak veya azaltmak için kaydır.
• IoU Eşiği: Örtüşen nesneleri ayırt etmek için kesişim üzerinden birleşim eşiğini belirler. Nesne ayrımını iyileştirmek için bu değeri ayarla.

Bu parametreler hakkında daha fazla bilgi için parametre açıklaması bölümünü ziyaret et.

Ultralytics YOLO26'yı Gradio ile kullanmanın bazı pratik uygulamaları nelerdir?

Ultralytics YOLO26'yı Gradio ile birleştirmenin pratik uygulamaları şunları içerir:

• Gerçek Zamanlı Nesne Algılama Gösterimleri: Nesne algılamanın gerçek zamanlı olarak nasıl çalıştığını sergilemek için idealdir.
• Eğitim Araçları: Akademik ortamlarda nesne algılama ve bilgisayarlı görü kavramlarını öğretmek için yararlıdır.
• Prototip Geliştirme: Prototip nesne algılama uygulamalarını hızlı bir şekilde geliştirmek ve test etmek için verimlidir.
• Topluluk ve İş Birlikleri: Modelleri geri bildirim ve iş birliği için toplulukla paylaşmayı kolaylaştırır.

Benzer kullanım durumlarına dair örnekler için, etkileşimli görselleştirmenin yaban hayatını koruma çabalarını nasıl geliştirebileceğini gösteren hayvan davranışı izleme konulu Ultralytics bloguna göz at.