Suy luận trực tiếp với ứng dụng Streamlit sử dụng Ultralytics YOLO11

Giới thiệu

Streamlit giúp việc xây dựng và triển khai các ứng dụng web tương tác trở nên đơn giản. Kết hợp điều này với Ultralytics YOLO11 cho phép phát hiện và phân tích đối tượng theo thời gian thực ngay trong trình duyệt của bạn. Độ chính xác và tốc độ cao của YOLO11 đảm bảo hiệu suất liền mạch cho các luồng video trực tiếp, khiến nó trở nên lý tưởng cho các ứng dụng trong an ninh, bán lẻ và hơn thế nữa.

Xem: Cách sử dụng Streamlit với Ultralytics cho thời gian thực Tầm nhìn máy tính trong Trình duyệt của bạn

Nuôi trồng thủy sản	Chăn nuôi
Phát hiện cá bằng cách sử dụng Ultralytics YOLO11	Phát hiện động vật bằng cách sử dụng Ultralytics YOLO11

Ưu điểm của Live Inference

• Phát hiện đối tượng theo thời gian thực liền mạch : Streamlit kết hợp với YOLO11 cho phép phát hiện đối tượng theo thời gian thực trực tiếp từ nguồn cấp dữ liệu webcam của bạn. Điều này cho phép phân tích và hiểu biết ngay lập tức, lý tưởng cho các ứng dụng yêu cầu phản hồi ngay lập tức.
• Triển khai thân thiện với người dùng: Giao diện tương tác của Streamlit giúp dễ dàng triển khai và sử dụng ứng dụng mà không cần kiến thức kỹ thuật sâu rộng. Người dùng có thể bắt đầu suy luận trực tiếp bằng một cú nhấp chuột đơn giản, nâng cao khả năng tiếp cận và khả năng sử dụng.
• Sử dụng tài nguyên hiệu quả : Thuật toán tối ưu hóa YOLO11 đảm bảo xử lý tốc độ cao với tài nguyên tính toán tối thiểu. Hiệu quả này cho phép suy luận webcam mượt mà và đáng tin cậy ngay cả trên phần cứng tiêu chuẩn, giúp tầm nhìn máy tính tiên tiến có thể tiếp cận được với nhiều đối tượng hơn.

Mã ứng dụng Streamlit

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

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

Thao tác này sẽ khởi chạy ứng dụng Streamlit trong trình duyệt web mặc định của bạn. Bạn sẽ thấy tiêu đề chính, phụ đề và thanh bên có các tùy chọn cấu hình. Chọn mô hình YOLO11 mong muốn của bạn, đặt ngưỡng độ tin cậy và NMS, rồi nhấp vào nút "Bắt đầu" để bắt đầu phát hiện đối tượng theo thời gian thực.

Bạn có thể tùy chọn cung cấp một mô hình cụ thể trong Python:

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>`

Kết thúc

Bằng cách làm theo hướng dẫn này, bạn đã tạo thành công ứng dụng phát hiện đối tượng thời gian thực bằng Streamlit và Ultralytics YOLO11. Ứng dụng này cho phép bạn trải nghiệm sức mạnh của YOLO11 trong việc phát hiện vật thể thông qua webcam, với giao diện thân thiện với người dùng và khả năng dừng luồng video bất cứ lúc nào.

Để cải tiến hơn nữa, bạn có thể khám phá thêm nhiều tính năng hơn như ghi luồng video, lưu các khung hình được chú thích hoặc tích hợp với các thư viện thị giác máy tính khác.

Chia sẻ suy nghĩ của bạn với cộng đồng

Tương tác với cộng đồng để tìm hiểu thêm, khắc phục sự cố và chia sẻ dự án của bạn:

Tìm trợ giúp và hỗ trợ ở đâu

• Các vấn đề về GitHub: Ghé thăm Ultralytics Kho lưu trữ GitHub để đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng.
• Ultralytics Máy chủ Discord: Tham gia Ultralytics Máy chủ Discord để kết nối với những người dùng và nhà phát triển khác, nhận hỗ trợ, chia sẻ kiến thức và động não ý tưởng.

Tài liệu chính thức

• Tài liệu YOLO11 Ultralytics : Tham khảo tài liệu YOLO11 chính thức để biết hướng dẫn toàn diện và thông tin chi tiết về nhiều nhiệm vụ và dự án về thị giác máy tính.

FAQ

Làm thế nào tôi có thể thiết lập ứng dụng phát hiện đối tượng thời gian thực bằng Streamlit và Ultralytics YOLO11 là gì?

Thiết lập ứng dụng phát hiện đối tượng thời gian thực với Streamlit và Ultralytics YOLO11 rất đơn giản. Đầu tiên, hãy đảm bảo bạn có Ultralytics Python gói được cài đặt bằng cách sử dụng:

pip install ultralytics

Sau đó, bạn có thể tạo một ứng dụng Streamlit cơ bản để chạy suy luận trực tiếp:

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

Để biết thêm chi tiết về thiết lập thực tế, hãy tham khảo phần Mã ứng dụng Streamlit của tài liệu.

Những lợi thế chính của việc sử dụng là gì? Ultralytics YOLO11 với Streamlit để phát hiện vật thể theo thời gian thực?

Sử dụng Ultralytics YOLO11 với Streamlit để phát hiện đối tượng theo thời gian thực mang lại một số lợi thế:

• Phát hiện thời gian thực liền mạch : Đạt được độ chính xác cao, phát hiện đối tượng thời gian thực trực tiếp từ nguồn cấp dữ liệu webcam.
• Giao diện thân thiện với người dùng: Giao diện trực quan của Streamlit cho phép dễ dàng sử dụng và triển khai mà không cần kiến thức kỹ thuật sâu rộng.
• Hiệu quả sử dụng tài nguyên : Các thuật toán được tối ưu hóa của YOLO11 đảm bảo xử lý tốc độ cao với tài nguyên tính toán tối thiểu.

Khám phá thêm về những lợi thế này nhấn vào đây.

Làm cách nào để triển khai ứng dụng phát hiện đối tượng Streamlit trong trình duyệt web của tôi?

Sau khi mã hóa ứng dụng Streamlit của bạn tích hợp Ultralytics YOLO11, bạn có thể triển khai nó bằng cách chạy:

streamlit run <file-name.py>

Lệnh này sẽ khởi chạy ứng dụng trong trình duyệt web mặc định của bạn, cho phép bạn chọn các mô hình YOLO11, đặt độ tin cậy và ngưỡng NMS, và bắt đầu phát hiện đối tượng theo thời gian thực chỉ bằng một cú nhấp chuột. Để biết hướng dẫn chi tiết, hãy tham khảo phần Mã ứng dụng Streamlit .

Một số trường hợp sử dụng để phát hiện đối tượng theo thời gian thực bằng Streamlit và Ultralytics YOLO11 là gì?

Phát hiện đối tượng theo thời gian thực bằng Streamlit và Ultralytics YOLO11 có thể được áp dụng trong nhiều lĩnh vực khác nhau:

• Bảo mật: Giám sát thời gian thực để truy cập trái phép.
• Bán lẻ: Đếm khách hàng, quản lý kệ, v.v.
• Động vật hoang dã và nông nghiệp: Giám sát động vật và điều kiện cây trồng.

Để biết thêm các trường hợp sử dụng và ví dụ chuyên sâu, hãy khám phá Ultralytics Giải pháp.

Làm thế nào Ultralytics YOLO11 so sánh với các mô hình phát hiện đối tượng khác như YOLOv5 và RCNN?

Ultralytics YOLO11 cung cấp một số cải tiến so với các mô hình trước đó như YOLOv5 và RCNN:

• Tốc độ và độ chính xác cao hơn: Cải thiện hiệu suất cho các ứng dụng thời gian thực.
• Dễ sử dụng: Giao diện và triển khai được đơn giản hóa.
• Hiệu quả tài nguyên: Tối ưu hóa cho tốc độ tốt hơn với yêu cầu tính toán tối thiểu.

Để có sự so sánh toàn diện, hãy xem Tài liệu Ultralytics YOLO11 và các bài đăng trên blog liên quan thảo luận về hiệu suất mô hình.

📅 Được tạo cách đây 4 tháng ✏️ Đã cập nhật cách đây 7 ngày

Ý kiến