使用 Streamlit 应用程序进行实时推理Ultralytics YOLO11

导言

Streamlit 使构建和部署交互式网络应用变得简单。将其与Ultralytics YOLO11 相结合，可直接在浏览器中进行实时对象检测和分析。YOLO11 ，高精确度和高速度确保了实时视频流的无缝性能，使其成为安防、零售等应用的理想选择。

观看： 如何将 Streamlit 与Ultralytics 实时结合使用 计算机视觉 在浏览器中

水产养殖	动物饲养
鱼类探测Ultralytics YOLO11	动物检测Ultralytics YOLO11

实时推理的优势

• 无缝实时物体检测：Streamlit 与YOLO11 相结合，可直接从网络摄像头馈送中进行实时物体检测。这样就能立即进行分析和洞察，非常适合需要即时反馈的应用。
• 用户友好的部署：Streamlit 的交互式界面使用户无需大量技术知识即可轻松部署和使用该应用程序。用户只需点击一下即可开始实时推理，从而提高了可访问性和可用性。
• 高效的资源利用：YOLO11 优化算法，确保以最少的计算资源进行高速处理。即使在标准硬件上，这种高效率也能实现流畅可靠的网络摄像头推理，让更多人可以使用先进的计算机视觉技术。

流光应用代码

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

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

这将在你的默认网络浏览器中启动 Streamlit 应用程序。您将看到主标题、副标题和带有配置选项的侧边栏。选择所需的YOLO11 模型，设置置信度和 NMS 阈值，然后点击 "开始 "按钮开始实时目标检测。

您可以选择在Python 中提供具体型号：

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>`

结论

通过本指南，您已经使用 Streamlit 和Ultralytics YOLO11 成功创建了一个实时物体检测应用程序。此应用程序可让您体验YOLO11 在通过网络摄像头检测物体方面的强大功能，其界面友好，并可随时停止视频流。

为进一步增强功能，您可以探索添加更多功能，如录制视频流、保存注释帧或与其他计算机视觉库集成。

与社区分享您的想法

与社区互动，了解更多信息、排除故障并分享您的项目：

在哪里可以找到帮助和支持

• GitHub 问题：访问Ultralytics GitHub 仓库，提出问题、报告错误和建议功能。
• Ultralytics Discord 服务器：加入Ultralytics Discord 服务器，与其他用户和开发人员联系，获得支持，分享知识，集思广益。

官方文件

• Ultralytics YOLO11 文档：有关各种计算机视觉任务和项目的全面指南和见解，请参阅 YOLO11 官方文档。

常见问题

如何使用 Streamlit 和Ultralytics YOLO11 建立实时物体检测应用程序？

使用 Streamlit 和Ultralytics YOLO11 设置实时目标检测应用程序非常简单。首先，确保使用Ultralytics Python 软件包安装：

pip install ultralytics

然后，你就可以创建一个基本的 Streamlit 应用程序来运行实时推理：

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

有关实际设置的更多详情，请参阅文档中的Streamlit 应用代码部分。

使用Ultralytics YOLO11 和 Streamlit 进行实时物体检测的主要优势是什么？

使用Ultralytics YOLO11 和 Streamlit 进行实时物体检测有几个优势：

• 无缝实时检测：直接从网络摄像头馈送实现高精度实时目标检测。
• 用户友好界面：Streamlit 的界面直观，无需丰富的技术知识即可轻松使用和部署。
• 资源效率：YOLO11 的优化算法可确保以最少的计算资源进行高速处理。

点击此处了解更多有关这些优势的信息。

如何在网络浏览器中部署 Streamlit Object 检测应用程序？

在对集成了Ultralytics YOLO11 的 Streamlit 应用程序进行编码后，可通过运行该程序进行部署：

streamlit run <file-name.py>

该命令将在默认 Web 浏览器中启动应用程序，使您能够选择YOLO11 模型、设置置信度和 NMS 阈值，并通过简单的单击启动实时对象检测。有关详细指南，请参阅Streamlit 应用程序代码部分。

使用 Streamlit 和Ultralytics YOLO11 进行实时物体检测的用例有哪些？

使用 Streamlit 和Ultralytics YOLO11 进行实时物体检测可应用于各个领域：

• 安全性：实时监控未经授权的访问。
• 零售：顾客清点、货架管理等。
• 野生动物与农业：监测动物和作物状况

如需了解更多深入的使用案例和示例，请访问Ultralytics 解决方案。

Ultralytics YOLO11 与YOLOv5 和 RCNNs 等其他物体检测模型相比如何？

Ultralytics YOLO11 与之前的模型（如YOLOv5 和 RCNNs）相比，它有多项改进：

• 更快的速度和更高的精度：提高实时应用的性能。
• 易用性：简化界面和部署。
• 资源效率：经过优化，速度更快，计算需求最小。

如需全面比较，请查看Ultralytics YOLO11 文档和讨论型号性能的相关博文。

📅创建于 5 个月前 ✏️已更新 1 个月

评论