Bỏ để qua phần nội dung

Phát hiện đối tượng tương tác: Gradio & Ultralytics YOLO11 🚀

Giới thiệu về Phát hiện đối tượng tương tác

Giao diện Gradio này cung cấp một cách dễ dàng và tương tác để thực hiện phát hiện đối tượng bằng mô hình Ultralytics YOLO11 . Người dùng có thể tải lên hình ảnh và điều chỉnh các thông số như ngưỡng tin cậy và ngưỡng giao nhau trên hợp (IoU) để có được kết quả phát hiện theo thời gian thực.



Xem: Tích hợp Gradio với Ultralytics YOLO11

Tại sao sử dụng Gradio để phát hiện đối tượng?

  • Giao diện thân thiện với người dùng: Gradio cung cấp một nền tảng đơn giản để người dùng tải lên hình ảnh và trực quan hóa kết quả phát hiện mà không cần bất kỳ yêu cầu mã hóa nào.
  • Điều chỉnh thời gian thực: Các thông số như độ tin cậy và ngưỡng IoU có thể được điều chỉnh nhanh chóng, cho phép phản hồi ngay lập tức và tối ưu hóa kết quả phát hiện.
  • Khả năng tiếp cận rộng: Giao diện web Gradio có thể được truy cập bởi bất kỳ ai, làm cho nó trở thành một công cụ tuyệt vời cho các cuộc biểu tình, mục đích giáo dục và thử nghiệm nhanh.

Ảnh chụp màn hình ví dụ Gradio

Cách cài đặt Gradio

pip install gradio

Cách sử dụng giao diện

  1. Tải lên hình ảnh: Nhấp vào 'Tải lên hình ảnh' để chọn tệp hình ảnh để phát hiện đối tượng.
  2. Điều chỉnh thông số:
    • Ngưỡng tin cậy: Thanh trượt để đặt mức tin cậy tối thiểu để phát hiện đối tượng.
    • Ngưỡng IoU: Thanh trượt để đặt ngưỡng IoU để phân biệt các đối tượng khác nhau.
  3. Xem kết quả: Hình ảnh được xử lý với các đối tượng được phát hiện và nhãn của chúng sẽ được hiển thị.

Ví dụ về trường hợp sử dụng

  • Ảnh mẫu 1: Phát hiện bus với ngưỡng mặc định.
  • Ảnh mẫu 2: Phát hiện trên hình ảnh thể thao với ngưỡng mặc định.

Ví dụ sử dụng

Phần này cung cấp Python mã được sử dụng để tạo giao diện Gradio với Ultralytics Mô hình YOLO11. Hỗ trợ các tác vụ phân loại, tác vụ phát hiện, tác vụ phân đoạn và tác vụ điểm chính.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolo11n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLO11 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 YOLO11n 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()

Giải thích thông số

Tên tham sốKiểuSự miêu tả
imgImageHình ảnh mà trên đó phát hiện đối tượng sẽ được thực hiện.
conf_thresholdfloatNgưỡng tin cậy để phát hiện các đối tượng.
iou_thresholdfloatNgưỡng giao nhau-over-union để phân tách đối tượng.

Thành phần giao diện Gradio

Thành phầnSự miêu tả
Đầu vào hình ảnhĐể tải lên hình ảnh để phát hiện.
SlidersĐể điều chỉnh ngưỡng tin cậy và IoU.
Đầu ra hình ảnhĐể hiển thị kết quả phát hiện.

FAQ

Làm thế nào để tôi sử dụng Gradio với Ultralytics YOLO11 để phát hiện vật thể?

Để sử dụng Gradio với Ultralytics YOLO11 để phát hiện đối tượng, bạn có thể làm theo các bước sau:

  1. Cài đặt Gradio: Sử dụng lệnh pip install gradio.
  2. Tạo giao diện: Viết một Python tập lệnh để khởi tạo giao diện Gradio. Bạn có thể tham khảo ví dụ về mã được cung cấp trong tài liệu để biết chi tiết.
  3. Tải lên và điều chỉnh: Tải lên hình ảnh của bạn và điều chỉnh ngưỡng tin cậy và IoU trên giao diện Gradio để có kết quả phát hiện đối tượng theo thời gian thực.

Dưới đây là một đoạn mã tối thiểu để tham khảo:

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolo11n.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 YOLO11",
    description="Upload images for YOLO11 object detection.",
)
iface.launch()

Những lợi ích của việc sử dụng Gradio là gì? Ultralytics Phát hiện vật thể YOLO11?

Sử dụng Gradio cho Ultralytics Công nghệ phát hiện đối tượng YOLO11 mang lại một số lợi ích:

  • Giao diện thân thiện với người dùng: Gradio cung cấp một giao diện trực quan để người dùng tải lên hình ảnh và trực quan hóa kết quả phát hiện mà không cần bất kỳ nỗ lực mã hóa nào.
  • Điều chỉnh thời gian thực: Bạn có thể tự động điều chỉnh các thông số phát hiện như ngưỡng tin cậy và ngưỡng IoU và xem các hiệu ứng ngay lập tức.
  • Tiếp cận: Giao diện web có thể truy cập được cho bất kỳ ai, làm cho nó hữu ích cho các thí nghiệm nhanh, mục đích giáo dục và trình diễn.

Để biết thêm chi tiết, bạn có thể đọc bài đăng trên blog này.

Tôi có thể sử dụng Gradio và Ultralytics YOLO11 cùng nhau vì mục đích giáo dục?

Vâng, Gradio và Ultralytics YOLO11 có thể được sử dụng cùng nhau cho mục đích giáo dục một cách hiệu quả. Giao diện web trực quan của Gradio giúp học sinh và nhà giáo dục dễ dàng tương tác với các mô hình học sâu tiên tiến như Ultralytics YOLO11 mà không cần kỹ năng lập trình nâng cao. Thiết lập này lý tưởng để chứng minh các khái niệm chính trong phát hiện đối tượng và thị giác máy tính , vì Gradio cung cấp phản hồi trực quan ngay lập tức giúp hiểu tác động của các thông số khác nhau đến hiệu suất phát hiện.

Làm thế nào để điều chỉnh ngưỡng độ tin cậy và IoU trong giao diện Gradio cho YOLO11?

Trong giao diện Gradio cho YOLO11, bạn có thể điều chỉnh ngưỡng độ tin cậy và IoU bằng các thanh trượt được cung cấp. Các ngưỡng này giúp kiểm soát độ chính xác dự đoán và phân tách đối tượng:

  • Ngưỡng tin cậy: Xác định mức độ tin cậy tối thiểu để phát hiện các đối tượng. Trượt để tăng hoặc giảm sự tự tin cần thiết.
  • Ngưỡng IoU: Đặt ngưỡng giao nhau trên liên minh để phân biệt giữa các đối tượng chồng chéo. Điều chỉnh giá trị này để tinh chỉnh phân tách đối tượng.

Để biết thêm thông tin về các thông số này, hãy truy cập phần giải thích thông số.

Một số ứng dụng thực tế của việc sử dụng là gì? Ultralytics YOLO11 với Gradio?

Ứng dụng thực tế của việc kết hợp Ultralytics YOLO11 với Gradio bao gồm:

  • Trình diễn phát hiện đối tượng thời gian thực: Lý tưởng để giới thiệu cách phát hiện đối tượng hoạt động trong thời gian thực.
  • Công cụ giáo dục: Hữu ích trong môi trường học thuật để dạy các khái niệm phát hiện đối tượng và thị giác máy tính.
  • Phát triển nguyên mẫu: Hiệu quả để phát triển và thử nghiệm các ứng dụng phát hiện đối tượng nguyên mẫu một cách nhanh chóng.
  • Cộng đồng và Cộng tác: Giúp dễ dàng chia sẻ mô hình với cộng đồng để nhận phản hồi và cộng tác.

Để biết ví dụ về các trường hợp sử dụng tương tự, hãy xem Ultralytics Tin tức.

Việc cung cấp thông tin này trong tài liệu sẽ giúp tăng cường khả năng sử dụng và khả năng truy cập của Ultralytics YOLO11 giúp người dùng ở mọi cấp độ chuyên môn dễ tiếp cận hơn.

📅 Được tạo cách đây 9 tháng ✏️ Đã cập nhật cách đây 1 tháng
UltralyticsTrợ lý Glenn-Jocher RizwanMunawar Bạch tuộc đầy tham vọng IvorZhu331

Ý kiến