Link to this section交互式目标检测：Gradio 与 Ultralytics YOLO26 🚀#

Link to this section交互式目标检测简介#

This Gradio interface provides an easy and interactive way to perform object detection using the Ultralytics YOLO26 model. Users can upload images and adjust parameters like confidence threshold and intersection-over-union (IoU) threshold to get real-time detection results.

Watch: Gradio Integration with Ultralytics YOLO26

Link to this section为什么使用 Gradio 进行目标检测？#

用户友好界面： Gradio 为用户提供了一个直观的平台，无需任何编码即可上传图像并可视化检测结果。
实时调整： 置信度和 IoU 阈值等参数可以在运行中调整，从而实现即时反馈并优化检测结果。
广泛的可用性： 任何人都可以访问 Gradio Web 界面，使其成为演示、教育目的和快速实验的绝佳工具。

Gradio YOLO detection interface

Link to this section如何安装 Gradio#

pip install gradio

Link to this section如何使用该界面#

上传图像： 点击“上传图像”以选择用于目标检测的图像文件。
调整参数：
- 置信度阈值： 通过滑块设置检测目标的最低置信度级别。
- IoU 阈值： 通过滑块设置用于区分不同目标的 IoU 阈值。
查看结果： 系统将显示处理后带有检测对象及其标签的图像。

Link to this section示例用例#

示例图像 1： 使用默认阈值的公共汽车检测。
示例图像 2： 使用默认阈值对体育图像进行检测。

Link to this section使用示例#

本节提供了用于创建 Ultralytics YOLO26 目标检测 Gradio 界面的 Python 代码。通过加载相应的模型检查点，此示例可适配于分类、实例分割、姿态估计以及其他 YOLO 任务。

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()

Link to this section参数说明#

参数名称	类型	描述
`img`	`Image`	将要执行目标检测的图像。
`conf_threshold`	`float`	用于检测目标的置信度阈值。
`iou_threshold`	`float`	用于目标分离的交并比阈值。

Link to this sectionGradio 界面组件#

组件	描述
图像输入	用于上传检测图像。
滑块	用于调整置信度和 IoU 阈值。
图像输出	用于显示检测结果。

Link to this section常见问题解答#

Link to this section如何使用 Gradio 配合 Ultralytics YOLO26 进行目标检测？#

要配合使用 Gradio 和 Ultralytics YOLO26 进行目标检测，你可以按照以下步骤操作：

安装 Gradio： 使用命令 pip install gradio。
创建界面： 编写 Python 脚本以初始化 Gradio 界面。有关详细信息，你可以参考文档中提供的代码示例。
上传并调整： 上传图像并在 Gradio 界面上调整置信度和 IoU 阈值，以获取实时目标检测结果。

以下是供参考的最小代码片段：

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()

Link to this section使用 Gradio 进行 Ultralytics YOLO26 目标检测有什么好处？#

使用 Gradio 进行 Ultralytics YOLO26 目标检测有以下几个好处：

用户友好界面： Gradio 为用户提供了一个直观的界面，无需任何编码即可上传图像并可视化检测结果。
实时调整： 你可以动态调整置信度和 IoU 阈值等检测参数，并立即观察效果。
易用性： Web 界面可供任何人访问，使其适用于快速实验、教育目的和演示。

欲了解更多详情，你可以阅读这篇关于放射学 AI 的博客文章，其中展示了类似的交互式可视化技术。

Link to this section我可以将 Gradio 和 Ultralytics YOLO26 一起用于教育目的吗？#

是的，Gradio 和 Ultralytics YOLO26 可以有效地结合起来用于教育目的。Gradio 直观的 Web 界面使学生和教育工作者能够轻松与诸如 Ultralytics YOLO26 之类的最先进的深度学习模型进行交互，而无需高级编程技能。此设置非常适合演示目标检测和计算机视觉中的关键概念，因为 Gradio 提供即时的视觉反馈，有助于理解不同参数对检测性能的影响。

Link to this section如何调整 YOLO26 Gradio 界面中的置信度和 IoU 阈值？#

在 YOLO26 的 Gradio 界面中，你可以使用提供的滑块来调整置信度和 IoU 阈值。这些阈值有助于控制预测准确率和目标分离：

置信度阈值： 确定检测目标的最低置信度水平。滑动以增加或减少所需的置信度。
IoU 阈值： 设置用于区分重叠目标的交并比阈值。调整此值以优化目标分离。

有关这些参数的更多信息，请访问参数说明部分。

Link to this section将 Ultralytics YOLO26 与 Gradio 结合使用有哪些实际应用？#

将 Ultralytics YOLO26 与 Gradio 结合使用的实际应用包括：

实时目标检测演示： 非常适合展示目标检测如何实时工作。
教育工具： 在学术环境中用于教授目标检测和计算机视觉概念非常有用。
原型开发： 可高效地快速开发和测试原型目标检测应用程序。
社区与协作： 使与社区共享模型以获取反馈和协作变得容易。

有关类似用例的示例，请查看关于动物行为监测的 Ultralytics 博客，该文章演示了交互式可视化如何增强野生动物保护工作。

贡献者

GLglenn-jocher¹³ RIRizwanMunawar³ AMambitious-octopus¹ IVIvorZhu331¹

创建于 2024年2月1日更新于 2周前