Skip to main content
Chỉnh sửa trên GitHub (EN)

Phát hiện đối tượng tương tác: Gradio & Ultralytics YOLO26 🚀

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 object detection sử dụng Ultralytics YOLO26 model. Người dùng có thể tải lên hình ảnh và điều chỉnh các tham số như ngưỡng độ tin cậy (confidence threshold) và ngưỡng IoU để nhận kết quả phát hiện theo thời gian thực.



Watch: Gradio Integration with Ultralytics YOLO26

Tại sao nên sử dụng Gradio cho 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 kỹ năng lập trình nào.
  • Điều chỉnh thời gian thực: Các tham số như ngưỡng độ tin cậy và IoU có thể được điều chỉnh ngay lập tức, cho phép nhận phản hồi tức thì và tối ưu hóa kết quả phát hiện.
  • Khả năng truy cập rộng rãi: Giao diện web Gradio có thể được truy cập bởi bất kỳ ai, khiến nó trở thành một công cụ tuyệt vời cho các buổi giới thiệu, mục đích giáo dục và các thử nghiệm nhanh.

Gradio YOLO detection interface

Cách cài đặt Gradio

pip install gradio

Cách sử dụng giao diện

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

Ví dụ về trường hợp sử dụng

  • Hình ảnh mẫu 1: Phát hiện xe buýt với các ngưỡng mặc định.
  • Hình ảnh mẫu 2: Phát hiện trên hình ảnh thể thao với các ngưỡng mặc định.

Ví dụ sử dụng

Phần này cung cấp mã Python được sử dụng để tạo giao diện Gradio với model Ultralytics YOLO26. Mã này hỗ trợ các tác vụ phân loại (classification), phát hiện (detection), phân đoạn (segmentation) và điểm khóa (keypoint).

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()

Giải thích tham số

Tên tham sốKiểu dữ liệu (Type)Mô tả (Description)
imgImageHình ảnh mà trên đó việc phát hiện đối tượng sẽ được thực hiện.
conf_thresholdfloatNgưỡng độ tin cậy để phát hiện đối tượng.
iou_thresholdfloatNgưỡng IoU cho việc phân tách đối tượng.

Các thành phần giao diện Gradio

Thành phầnMô tả (Description)
Đầu vào hình ảnh (Image Input)Để tải lên hình ảnh phục vụ việc phát hiện.
Thanh trượt (Sliders)Để điều chỉnh các ngưỡng độ tin cậy và IoU.
Đầu ra hình ảnh (Image Output)Để hiển thị kết quả phát hiện.

Câu hỏi thường gặp (FAQ)

Làm cách nào để sử dụng Gradio với Ultralytics YOLO26 để phát hiện đối tượng?

Để sử dụng Gradio với Ultralytics YOLO26 cho việc 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 tập lệnh Python để khởi tạo giao diện Gradio. Bạn có thể tham khảo ví dụ 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 các ngưỡng độ tin cậy và IoU trên giao diện Gradio để nhận kết quả phát hiện đối tượng theo thời gian thực.

Dưới đây là đoạn mã tối giản để tham khảo:

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()

Lợi ích của việc sử dụng Gradio cho phát hiện đối tượng với Ultralytics YOLO26 là gì?

Việc sử dụng Gradio cho phát hiện đối tượng với Ultralytics YOLO26 mang lại một số lợi ích:

  • Giao diện thân thiện với người dùng: Gradio cung cấp giao diện trực quan cho người dùng tải lên hình ảnh và trực quan hóa kết quả phát hiện mà không cần nỗ lực lập trình.
  • Điều chỉnh thời gian thực: Bạn có thể điều chỉnh linh hoạt các tham số phát hiện như ngưỡng độ tin cậy và IoU rồi xem hiệu ứng ngay lập tức.
  • Khả năng truy cập: Giao diện web có thể truy cập bởi bất kỳ ai, giúp nó trở nên hữu ích cho các thử nghiệm nhanh, mục đích giáo dục và demo.

Để biết thêm chi tiết, bạn có thể đọc bài đăng trên blog về AI trong chẩn đoán hình ảnh giới thiệu các kỹ thuật trực quan hóa tương tác tương tự.

Tôi có thể sử dụng Gradio và Ultralytics YOLO26 cùng nhau cho mục đích giáo dục không?

Có, Gradio và Ultralytics YOLO26 có thể được sử dụng kết hợp hiệu quả cho mục đích giáo dục. Giao diện web trực quan của Gradio giúp sinh viên và nhà giáo dục tương tác dễ dàng với các deep learning model hiện đại như Ultralytics YOLO26 mà không cần kỹ năng lập trình nâng cao. Thiết lập này lý tưởng để minh họa các khái niệm chính trong phát hiện đối tượng và computer vision, vì Gradio cung cấp phản hồi hình ảnh tức thì, giúp hiểu được tác động của các tham số khác nhau đối với hiệu suất phát hiện.

Làm cách nào để điều chỉnh các ngưỡng độ tin cậy và IoU trong giao diện Gradio cho YOLO26?

Trong giao diện Gradio cho YOLO26, bạn có thể điều chỉnh các ngưỡng độ tin cậy và IoU bằng cách sử dụng các thanh trượt được cung cấp. Các ngưỡng này giúp kiểm soát việc dự đoán accuracy và phân tách đối tượng:

  • Ngưỡng độ tin cậy (Confidence Threshold): Xác định mức độ tin cậy tối thiểu để phát hiện đối tượng. Trượt để tăng hoặc giảm mức độ tin cậy yêu cầu.
  • Ngưỡng IoU: Đặt ngưỡng IoU để phân biệt giữa các đối tượng chồng lấp. Điều chỉnh giá trị này để tinh chỉnh việc phân tách đối tượng.

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

Các ứng dụng thực tế của việc sử dụng Ultralytics YOLO26 với Gradio là gì?

Các ứng dụng thực tế của việc kết hợp Ultralytics YOLO26 với Gradio bao gồm:

  • Demo phát hiện đối tượng theo 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 giảng dạy các khái niệm về phát hiện đối tượng và thị giác máy tính.
  • Phát triển mẫu thử (Prototype): Hiệu quả cho việc phát triển và kiểm tra nhanh các ứng dụng phát hiện đối tượng mẫu.
  • Cộng đồng và cộng tác: Giúp chia sẻ model với cộng đồng một cách dễ dàng để nhận phản hồi và cộng tác.

Để biết ví dụ về các trường hợp sử dụng tương tự, hãy xem blog của Ultralytics về giám sát hành vi động vật minh họa cách trực quan hóa tương tác có thể thúc đẩy các nỗ lực bảo tồn động vật hoang dã.

Bình luận