Meet YOLO26: next-gen vision AI.

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: Deploy Ultralytics YOLO26 in a Browser with Gradio | Complete Tutorial | Vision AI 🌐

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

  • 用户友好界面： Gradio 为用户提供了一个直接的平台，无需任何编码即可上传图像并可视化检测结果。
  • 实时调整： 可以动态调整置信度和 IoU 阈值等参数，从而实现即时反馈并优化检测结果。
  • 广泛的易用性： 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#

  1. 上传图像： 点击“上传图像”以选择用于目标检测的图像文件。
  2. 调整参数：
    • 置信度阈值： 用于设置检测目标的最低置信度水平的滑块。
    • IoU 阈值： 用于设置区分不同目标的 IoU 阈值的滑块。
  3. 查看结果： 将显示带有已检测目标及其标签的处理后的图像。

Link to this section示例用例#

  • 示例图像 1： 使用默认阈值进行公交车检测。
  • 示例图像 2： 使用默认阈值在体育图像上进行检测。

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，该示例可以适用于分类、实例分割、姿态估计和其他 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
imgImage将要在其上执行目标检测的图像。
conf_thresholdfloat用于检测目标的置信度阈值。
iou_thresholdfloat用于目标分离的交并比阈值。

Link to this sectionGradio 界面组件#

组件描述
图像输入用于上传待检测图像。
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我该如何将 Gradio 与 Ultralytics YOLO26 一起用于目标检测？#

若要将 Gradio 与 Ultralytics YOLO26 一起用于目标检测，你可以按照以下步骤操作：

  1. 安装 Gradio： 使用命令 pip install gradio。
  2. 创建界面： 编写一个 Python 脚本来初始化 Gradio 界面。有关详细信息，你可以参考 文档 中提供的代码示例。
  3. 上传并调整： 在 Gradio 界面中上传图像并调整置信度和 IoU 阈值，以获取实时目标检测结果。

这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？#

将 Gradio 用于 Ultralytics YOLO26 目标检测具有以下几个好处：

  • 用户友好界面： Gradio 为用户提供了一个直观的界面，无需任何编程工作即可上传图像并可视化检测结果。
  • 实时调整： 你可以动态调整检测参数（如置信度和 IoU 阈值）并立即看到效果。
  • 易用性： Web 界面任何人都可以访问，使其在快速实验、教育目的和演示中非常有用。

欲了解更多详细信息，你可以阅读这篇 关于人工智能在放射学中的应用博客文章，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地与像 Ultralytics YOLO26 这样的最先进的 深度学习 模型进行交互，而无需高级编程技能。这种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 提供了即时的视觉反馈，有助于理解不同参数对检测性能的影响。

Link to this section我该如何在 YOLO26 的 Gradio 界面中调整置信度和 IoU 阈值？#

在 YOLO26 的 Gradio 界面中，你可以使用提供的滑块调整置信度和 IoU 阈值。这些阈值有助于控制预测 准确度 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。调整此值以细化目标分离。

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运行。
  • 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： 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： 方便与社区分享模型以获取反馈和进行协作。

关于类似用例的示例，请查看 关于使用 Ultralytics YOLOv8 监测动物行为的 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-jocher14RIRizwanMunawar4AMambitious-octopus1IVIvorZhu3311

评论