交互式目标检测：Gradio 与 Ultralytics YOLO26 🚀#

交互式目标检测简介#

这个 Gradio 界面提供了一种简单且交互式的方式，使用 Ultralytics YOLO26 模型执行对象检测。用户可以上传图像并调整置信度阈值和交并比 (IoU) 阈值等参数，以获得实时的检测结果。

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

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

如何安装 Gradio#

pip install gradio

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： 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。
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。

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。

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
from PIL import 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()

参数说明#

参数名称	类型	描述
`img`	`Image`	将要在其上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。

Gradio 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。

常见问题解答#

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：

安装 Gradio： 使用命令 pip install gradio。
创建界面： 编写一个 Python 脚本来初始化 Gradio 界面。你可以参考文档中提供的代码示例了解详情。
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()

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。

有关更多详细信息，你可以阅读这篇关于放射学中 AI 的博客文章，其中展示了类似的可视化交互技术。

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 直观的网页界面使学生和教育工作者能够轻松地与诸如 Ultralytics YOLO26 等先进的深度学习模型进行交互，而无需具备高级编程技能。这种设置非常适合演示计算机视觉和对象检测中的关键概念，因为 Gradio 能够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。

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

在用于 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。调整此值以细化目标分离。

有关这些参数的更多信息，请访问参数解释部分。

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。

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

贡献者

GLglenn-jocher¹⁵ RIRizwanMunawar⁴ AMambitious-octopus¹ IVIvorZhu331¹

创建于 2024年2月1日更新于 2周前