Live Inference with Streamlit Application using Ultralytics YOLO11

Giới thiệu

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.

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

Nuôi trồng thủy sản	Chăn nuôi
Fish Detection using Ultralytics YOLO11	Animals Detection using Ultralytics YOLO11

Ưu điểm của Live Inference

• 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.
• 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.
• 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.

Mã ứng dụng Streamlit

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.

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

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.

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

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

FAQ

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

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.

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.
• 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.
• Resource Efficiency: YOLO11's optimized algorithms ensure high-speed processing with minimal computational resources.

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?

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:

• 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.

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:

• 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.

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

📅 Created 3 months ago ✏️ Updated 8 days ago

Ý kiến