Phát hiện đối tượng tương tác: Gradio & Ultralytics YOLOv8 🚀

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 cách sử dụng Ultralytics YOLOv8 mẫu. Người dùng có thể tải lên hình ảnh và điều chỉnh các thông số như ngưỡng tin cậy và ngưỡng giao nhau (IoU) để có kết quả phát hiện theo thời gian thực.

Xem: Tích hợp Gradio với Ultralytics YOLOv8

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.

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 YOLOv8 mẫu. Hỗ trợ các nhiệm vụ phân loại, nhiệm vụ phát hiện, nhiệm vụ phân đoạn và nhiệm vụ điểm chính.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolov8n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLOv8 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 YOLOv8n 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

Thành phần giao diện Gradio

FAQ

Làm cách nào để sử dụng Gradio với Ultralytics YOLOv8 để phát hiện đối tượng?

Để sử dụng Gradio với Ultralytics YOLOv8 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("yolov8n.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 YOLOv8",
    description="Upload images for YOLOv8 object detection.",
)
iface.launch()

Lợi ích của việc sử dụng Gradio để làm gì Ultralytics YOLOv8 Phát hiện đối tượng?

Sử dụng Gradio cho Ultralytics YOLOv8 Phát hiện đối tượng cung cấp 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 không và Ultralytics YOLOv8 cùng nhau vì mục đích giáo dục?

Có, Gradio và Ultralytics YOLOv8 có thể được sử dụng cùng nhau cho mục đích giáo dục một cách hiệu quả. Giao diện web trực quan của Gradio giúp sinh viên và nhà giáo dục dễ dàng tương tác với các mô hình học sâu hiện đại như Ultralytics YOLOv8 mà không cần kỹ năng lập trình nâng cao. Thiết lập này lý tưởng để thể hiện 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 được tác động của các tham số khác nhau đối với hiệu suất phát hiện.

Làm cách nào để điều chỉnh ngưỡng tin cậy và IoU trong giao diện Gradio cho YOLOv8?

Trong giao diện Gradio cho YOLOv8, bạn có thể điều chỉnh ngưỡng tin cậy và ngưỡng IoU bằng cách sử dụng các thanh trượt được cung cấp. Các ngưỡng này giúp kiểm soát độ chính xác của 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 YOLOv8 với Gradio?

Ứng dụng thực tế của việc kết hợp Ultralytics YOLOv8 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.

Cung cấp thông tin này trong tài liệu sẽ giúp nâng cao khả năng sử dụng và khả năng tiếp cận của Ultralytics YOLOv8, giúp người dùng ở mọi cấp độ chuyên môn dễ tiếp cận hơn.

Ý kiến