İnteraktif Nesne Algılama: Gradio & Ultralytics YOLO26 🚀#

İnteraktif Nesne Algılamaya Giriş#

Bu Gradio arayüzü, Ultralytics YOLO26 modelini kullanarak nesne tespiti gerçekleştirmek için kolay ve etkileşimli bir yol sunar. Kullanıcılar, gerçek zamanlı tespit sonuçları almak üzere resimler yükleyebilir ve güven eşiği ile kesişim üzerindeki birleşim (IoU) eşiği gibi parametreleri ayarlayabilir.

Nesne Algılama İçin Neden Gradio Kullanmalısın?#

• Kullanıcı Dostu Arayüz: Gradio, kullanıcıların kodlama gerektirmeden 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 almanı ve algılama sonuçlarını optimize etmeni kolaylaştırır.
• Geniş Erişilebilirlik: Gradio web arayüzüne herkes erişebilir; bu da onu gösterimler, eğitim amaçlı kullanımlar ve hızlı denemeler 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 'Görsel Yükle'ye tıkla.
2. Parametreleri Ayarla:
   • Güven Eşiği: Nesneleri algılamak için minimum güven seviyesini ayarlayan kaydırıcı.
   • IoU Eşiği: Farklı nesneleri ayırt etmek için IoU eşiğini belirleyen kaydırıcı.
3. Sonuçları Görüntüle: Algılanan nesneler ve etiketleriyle işlenmiş görsel görüntülenecektir.

Örnek Kullanım Durumları#

• Örnek Görsel 1: Varsayılan eşiklerle otobüs algılama.
• Örnek Görsel 2: Bir spor görselinde varsayılan eşiklerle algılama.

Kullanım Örneği#

Bu bölüm, Ultralytics YOLO26 nesne algılama için bir Gradio arayüzü oluşturmak üzere kullanılan Python kodunu içerir. Örnek, ilgili model kontrol noktasını yükleyerek sınıflandırma, örnek bölütleme, duruş ve diğer YOLO görevleri için uyarlanabilir.

import gradio as gr
from PIL import 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#

Nesne algılama için Gradio'yu Ultralytics YOLO26 ile nasıl kullanırım?#

Nesne algılama için Gradio'yu Ultralytics YOLO26 ile kullanmak istersen şu adımları izleyebilirsin:

1. Gradıo'yu Yükleyin: pip install gradio komutunu kullanın.
2. Arayüz Oluşturun: Gradio arayüzünü başlatmak için bir Python betiği yazın. Detaylar için belgelerdeki sunulan kod örneğine başvurabilirsin.
3. Yükle ve Ayarla: Görselini yükle ve gerçek zamanlı nesne algılama sonuçları almak için Gradio arayüzündeki güven ve IoU eşiklerini ayarla.

İşte referans olması için basit bir kod parçası:

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 herhangi bir 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 denemeler, eğitim amaçlı kullanımlar ve gösterimler için kullanışlı kılar.

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

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

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

YOLO26 için Gradio arayüzündeki güven ve IoU eşiklerini nasıl ayarlarım?#

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

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

Bu parametreler hakkında daha fazla bilgi için parametreler açıklama bölümünü ziyaret et.

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

Ultralytics YOLO26'yı Gradio ile birleştirmenin pratik uygulamaları şunlardır:

• 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 kullanışlıdır.
• Prototip Geliştirme: Prototip nesne algılama uygulamalarını hızlı bir şekilde geliştirmek ve test etmek için verimlidir.
• Topluluk ve İşbirlikleri: Geri bildirim ve işbirliği için modelleri toplulukla paylaşmayı kolaylaştırır.

Benzer kullanım senaryolarının örnekleri için, interaktif görselleştirmenin yaban hayatı koruma çalışmalarını nasıl geliştirebileceğini gösteren hayvan davranışı izleme konulu Ultralytics bloguna göz atabilirsin.