Führe eine interaktive KI-App mit Streamlit und Ultralytics YOLO11 aus

Modelle für Computer Vision sind wirkungsvolle KI-Tools, die es Maschinen ermöglichen, visuelle Daten zu interpretieren und zu analysieren, wobei sie Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung mit hoher Genauigkeit ausführen. Allerdings erfordern sie manchmal zusätzliche technische Expertise wie Webentwicklung oder Mobile-App-Kenntnisse, um sie bereitzustellen und einem breiteren Publikum zugänglich zu machen.

Nimm zum Beispiel Ultralytics YOLO11. Es ist ein Modell, das verschiedene Aufgaben unterstützt und in einer Vielzahl von Anwendungen nützlich ist. Ohne gewisse technische Frontend-Kenntnisse kann es für einige KI-Engineers jedoch ein wenig herausfordernd sein, eine benutzerfreundliche Oberfläche für eine reibungslose Interaktion zu erstellen und bereitzustellen.

Streamlit ist ein Open-Source-Framework, das diesen Prozess vereinfachen soll. Es ist ein auf Python basierendes Tool zum Erstellen interaktiver Anwendungen ohne komplexe Frontend-Entwicklung. In Kombination mit Ultralytics YOLO11 ermöglicht es Benutzern, Bilder hochzuladen, Videos zu verarbeiten und Echtzeitergebnisse mit minimalem Aufwand zu visualisieren.

Ultralytics geht mit seiner Live-Inference-Lösung noch einen Schritt weiter und macht die Streamlit-Integration noch einfacher. Mit einem einzigen Befehl können Nutzer eine vorgefertigte Streamlit-App für YOLO11 starten, wodurch manuelles Einrichten und Programmieren entfällt.

In diesem Artikel zeigen wir dir, wie du YOLO11 mit der Live Inference-Lösung von Ultralytics und Streamlit einrichtest und ausführst, um die Bereitstellung von Echtzeit-KI schneller und zugänglicher zu machen.

Was ist Streamlit?#

Streamlit ist ein Python-Framework, das die Erstellung interaktiver Webanwendungen vereinfacht. KI-Entwickler können KI-gestützte Apps erstellen, ohne sich mit den Feinheiten der Front-End-Entwicklung befassen zu müssen.

Es ist so konzipiert, dass es nahtlos mit KI- und Machine-Learning-Modellen zusammenarbeitet. Mit nur wenigen Zeilen Python können Entwickler eine Oberfläche erstellen, über die Benutzer Bilder hochladen, Videos verarbeiten und mit KI-Modellen interagieren können.

Abb. 1. Hauptfunktionen von Streamlit. Bild vom Autor.

Eines seiner Hauptmerkmale ist das dynamische Rendering. Wenn Benutzer Änderungen vornehmen, aktualisiert sich die App automatisch, ohne dass ein manuelles Neuladen der Seite erforderlich ist.

Da es zudem leichtgewichtig und einfach zu bedienen ist, läuft Streamlit effizient sowohl auf lokalen Maschinen als auch auf Cloud-Plattformen. Dies macht es zu einer großartigen Wahl für die Bereitstellung von KI-Anwendungen, das Teilen von Modellen mit anderen und die Bereitstellung einer intuitiven, interaktiven Benutzererfahrung.

Ultralytics YOLO11: Ein vielseitiges Vision AI-Modell#

Bevor wir uns damit befassen, wie man Live-Inferenzen mit Ultralytics YOLO11 in einer Streamlit-Anwendung ausführt, schauen wir uns genauer an, was YOLO11 so zuverlässig macht.

Ultralytics YOLO11 ist ein Modell, das für Computer-Vision-Aufgaben in Echtzeit wie Objekterkennung, Instanzsegmentierung und Pose Estimation entwickelt wurde. Es liefert High-Speed-Performance bei beeindruckender Genauigkeit.

Abb. 2: Ein Beispiel für die Verwendung von YOLO11 zur Objekterkennung.

Einer der größten Vorteile von YOLO11 ist seine einfache Bedienung. Es sind keine komplexen Setups erforderlich; Entwickler können das Ultralytics Python-Paket installieren und mit nur wenigen Zeilen Code mit der Vorhersage beginnen.

Das Ultralytics Python-Paket bietet eine Reihe von Funktionen, die es Benutzern ermöglichen, Modelle feinabzustimmen und Erkennungseinstellungen anzupassen. Es hilft auch dabei, die Leistung über verschiedene Geräte hinweg für eine reibungslosere Bereitstellung zu optimieren.

Über die Flexibilität hinaus unterstützt das Python-Paket von Ultralytics Integrationen über mehrere Plattformen hinweg, einschließlich Edge-Geräten, Cloud-Umgebungen und Systemen mit NVIDIA GPU. Ob auf einem kleinen eingebetteten Gerät oder einem großen Cloud-Server bereitgestellt – YOLO11 passt sich mühelos an und macht fortschrittliche Vision-KI zugänglicher als je zuvor.

Vorteile der Verwendung von Streamlit mit Ultralytics YOLO11#

Du fragst dich vielleicht, woher du weißt, ob Streamlit die richtige Bereitstellungsoption für dich ist? Wenn du nach einer einfachen, code-effizienten Möglichkeit suchst, Ultralytics YOLO11 ohne den Aufwand einer Frontend-Entwicklung auszuführen, ist Streamlit eine gute Option – insbesondere für Prototypen, Proof-of-Concept-Projekte (PoC) oder Bereitstellungen für eine kleinere Anzahl von Benutzern.

Es optimiert den Prozess der Arbeit mit Ultralytics YOLO11, indem unnötige Komplexität eliminiert und eine intuitive Benutzeroberfläche für die Echtzeit-Interaktion bereitgestellt wird. Hier sind einige weitere Hauptvorteile:

• Anpassbare KI-Steuerelemente: Du kannst Schieberegler, Dropdown-Menüs und Schaltflächen zu deiner Benutzeroberfläche hinzufügen, sodass Benutzer Erkennungseinstellungen feinabstimmen und bestimmte Objekte einfach filtern können.

• Integration mit anderen KI-Tools: Streamlit unterstützt die Integration mit NumPy, OpenCV, Matplotlib und anderen Machine-Learning-Bibliotheken, was die Möglichkeiten des KI-Workflows erweitert.

• Interaktive Datenvisualisierung: Die integrierte Unterstützung für Diagramme und Grafiken ermöglicht es Benutzern, Objekterkennung, Segmentierungsergebnisse oder Tracking-Erkenntnisse mühelos zu visualisieren.

• Zusammenarbeitsfreundlich: Streamlit-Apps können einfach über einen einfachen Link mit Teammitgliedern, Stakeholdern oder Kunden geteilt werden, was sofortiges Feedback und Iterationen ermöglicht.

Schritt-für-Schritt-Anleitung zur Bereitstellung von Ultralytics YOLO11 in einer Streamlit-Web-App#

Jetzt, da wir die Vorteile von using Streamlit with Ultralytics YOLO11 erkundet haben, gehen wir Schritt für Schritt durch, wie du Echtzeit-Computer-Vision-Aufgaben in einem Browser mit Streamlit und YOLO11 ausführen kannst.

Installation des Ultralytics Python-Pakets#

Der erste Schritt besteht darin, das Python-Paket von Ultralytics zu installieren. Dies kann mit dem folgenden Befehl erfolgen:

Nach der Installation ist YOLO11 ohne komplizierte Einrichtung einsatzbereit. Wenn du bei der Installation der erforderlichen Pakete auf Probleme stößt, kannst du in unserem leitfaden für häufige probleme nach Tipps zur Fehlerbehebung und Lösungen suchen.

Starten der Streamlit-Anwendung mit Ultralytics YOLO11#

Normalerweise müsstest du ein Python-Skript mit Streamlit-Komponenten entwickeln, um YOLO11 auszuführen. Ultralytics bietet jedoch eine einfache Möglichkeit, YOLO11 mit Streamlit auszuführen.

Das Ausführen des folgenden Python-Skripts startet sofort die Streamlit-Anwendung in deinem Standard-Webbrowser:

Es ist keine zusätzliche Konfiguration erforderlich. Die Streamlit-Anwendungsoberfläche enthält einen Upload-Bereich für Bilder und Videos, ein Dropdown-Menü zur Auswahl der gewünschten Ultralytics YOLO11-Modellvariante und Schieberegler zur Anpassung der Erkennungskonfidenz. Alles ist übersichtlich organisiert, sodass Benutzer Inerenzen mühelos ohne zusätzlichen Code ausführen können.

Ausführen von Inferenzen mit Ultralytics YOLO11 in der Streamlit-Anwendung#

Da die Streamlit-Anwendung nun in deinem Webbrowser läuft, wollen wir untersuchen, wie du sie verwenden kannst, um Inerenzen mit Ultralytics YOLO11 auszuführen.

Nehmen wir zum Beispiel an, wir möchten eine Videodatei zur Objekterkennung analysieren. Hier sind die Schritte zum Hochladen einer Datei, Auswählen eines Modells und Anzeigen der Ergebnisse in Echtzeit:

• Ein Video hochladen: Wähle „Video“ aus dem Dropdown-Menü der Benutzerkonfiguration, was der Anwendung mitteilt, dass eine vorab aufgezeichnete Datei anstelle eines Webcam-Feeds verarbeitet werden soll.
• Ein YOLO11-Modell auswählen: Wähle „YOLO11l“ aus dem Modell-Dropdown für die Objekterkennung unter Verwendung eines großen YOLO11-Modells.
• Den Erkennungsprozess starten: Klicke auf „Start“, damit Ultralytics YOLO11 das Video Bild für Bild analysieren und Objekte in Echtzeit erkennen kann.
• Das verarbeitete Video ansehen: Beobachte, wie das Video auf dem Bildschirm mit Live-Updates erscheint und erkannte Objekte mit Bounding Boxes anzeigt.
• Mit Ergebnissen in Streamlit interagieren: Verwende die Benutzeroberfläche, um Einstellungen anzupassen oder Erkennungen zu analysieren, alles ohne zusätzliches Setup oder Programmierung.

Abb. 3. Die Benutzeroberfläche der Ultralytics YOLO Streamlit-Anwendung.

Anwendungsfälle mit Streamlit und Ultralytics YOLO11#

Wir haben uns angesehen, wie Streamlit hervorragend für die Erstellung von Prototypen, Forschungstools und kleinen bis mittelgroßen Anwendungen geeignet ist. Es bietet eine einfache Möglichkeit, KI-Modelle ohne komplexe Front-End-Entwicklung bereitzustellen.

Die Ausführung von YOLO11 mit Streamlit ist jedoch nicht immer eine sofort einsatzbereite Lösung – es sei denn, du verwendest die Ultralytics YOLO Streamlit-Anwendung, die wir in den obigen Schritten eingerichtet haben. In den meisten Fällen ist etwas Entwicklungsarbeit erforderlich, um die Anwendung an spezifische Bedürfnisse anzupassen. Während Streamlit die Bereitstellung vereinfacht, musst du dennoch die erforderlichen Komponenten konfigurieren, um sicherzustellen, dass YOLO11 reibungslos läuft.

Lass uns zwei praktische Beispiele dafür untersuchen, wie Ultralytics YOLO11 in realen Szenarien effektiv mit Streamlit eingesetzt werden kann.

Objektzählung für Bestandsprüfungen mit Ultralytics YOLO11#

Die Bestandsverfolgung in Einzelhandelsgeschäften, Lagerräumen oder Bürobedarfbereichen kann zeitaufwändig und fehleranfällig sein. Durch den Einsatz von Ultralytics YOLO11 mit Streamlit können Unternehmen die Objektzählung schnell und effizient automatisieren, was es zu einer hervorragenden Option für einen Proof of Concept (PoC) macht, bevor sie sich zu einer großflächigen Bereitstellung verpflichten.

Mit diesem Setup können Benutzer ein Bild hochladen oder einen Live-Kamera-Feed verwenden, und Ultralytics YOLO11 hilft dabei, Objekte sofort zu erkennen und zu zählen. Die Echtzeitzählung kann in der Streamlit-Schnittstelle angezeigt werden, was eine einfache Möglichkeit bietet, Bestände ohne manuellen Aufwand zu überwachen.

Ein Ladenbesitzer kann beispielsweise ein Regal scannen und sofort sehen, wie viele Flaschen, Schachteln oder verpackte Waren vorhanden sind, ohne sie manuell zählen zu müssen. Durch die Nutzung von Ultralytics YOLO11 und Streamlit können Unternehmen manuelle Arbeit reduzieren, die Genauigkeit verbessern und Automatisierung mit minimalem Investment erkunden.

Abb. 4: Erkennung von Flaschen in einem Kühlschrank mit Ultralytics YOLO11.

Sicherheit verbessern mit Ultralytics YOLO11 und Streamlit#

Die Absicherung von Sperrgebieten in Büros, Lagern oder Veranstaltungsorten kann schwierig sein, insbesondere bei manueller Überwachung. Durch den Einsatz von Ultralytics YOLO11 mit Streamlit können Unternehmen ein einfaches KI-gestütztes Sicherheitssystem einrichten, um unbefugten Zugriff in Echtzeit zu erkennen.

Ein Kamera-Feed kann an die Streamlit-Schnittstelle angeschlossen werden, wo Ultralytics YOLO11 verwendet wird, um Personen zu identifizieren und zu verfolgen, die Sperrzonen betreten. Wenn eine unbefugte Person erkannt wird, kann das System einen Alarm auslösen oder das Ereignis zur Überprüfung protokollieren.

Zum Beispiel kann ein Lagerleiter den Zugang zu hochsicheren Lagerbereichen überwachen, oder ein Büro kann Bewegungen in Sperrbereichen verfolgen, ohne dass eine ständige Aufsicht erforderlich ist.

Dies kann ein aufschlussreiches Projekt für Unternehmen sein, die eine KI-gesteuerte Sicherheitsüberwachung erkunden möchten, bevor sie sich für ein größeres, vollautomatisiertes System entscheiden. Durch die Integration von Ultralytics YOLO11 in Streamlit können Unternehmen die Sicherheit erhöhen, die manuelle Überwachung minimieren und effektiver auf unbefugten Zugriff reagieren.

Tipps zur Überwachung einer interaktiven KI-App mit Streamlit#

Die Verwendung von Tools wie Streamlit zur Bereitstellung von Computer Vision-Modellen trägt dazu bei, ein interaktives und benutzerfreundliches Erlebnis zu schaffen. Nach der Einrichtung der Live-Oberfläche ist es jedoch wichtig, sicherzustellen, dass das System effizient läuft und im Laufe der Zeit genaue Ergebnisse liefert.

Hier sind einige Schlüsselfaktoren, die nach der Bereitstellung zu berücksichtigen sind:

• Regelmäßige Überwachung: Verfolge die Erkennungsgenauigkeit, Inferenzgeschwindigkeit und Ressourcennutzung. Passe Modellparameter an oder rüste die Hardware auf, wenn die Leistung nachlässt.
• Verwaltung mehrerer Benutzer und Skalierbarkeit: Wenn die Benutzernachfrage wächst, ist die Optimierung der Infrastruktur der Schlüssel zur Aufrechterhaltung der Leistung. Cloud-Plattformen und skalierbare Bereitstellungslösungen tragen dazu bei, einen reibungslosen Betrieb zu gewährleisten.
• Das Modell aktuell halten: Das Aktualisieren des Modells und der Bibliotheken verbessert die Genauigkeit, Sicherheit und den Zugriff auf neue Funktionen.

Wichtige Erkenntnisse#

Ultralytics vereinfacht die YOLO11-Bereitstellung mit einer sofort einsatzbereiten Streamlit-Live-Oberfläche, die mit einem einzigen Befehl läuft – ohne Programmierung. Dies ermöglicht es Benutzern, sofort mit der Objekterkennung in Echtzeit zu beginnen.

Die Oberfläche enthält auch integrierte Anpassungen, die es Benutzern ermöglichen, Modelle zu wechseln, die Erkennungsgenauigkeit anzupassen und Objekte einfach zu filtern. Alles wird innerhalb einer einfachen, benutzerfreundlichen Oberfläche verwaltet, wodurch eine manuelle UI-Entwicklung überflüssig wird. Durch die Kombination

Durch die Kombination der Funktionen von Ultralytics YOLO11 mit der einfachen Bereitstellung von Streamlit können Unternehmen und Entwickler KI-gesteuerte Anwendungen schnell prototypisieren, testen und verfeinern.

Werde Teil unserer community und erkunde unser GitHub repository für weitere Einblicke in KI. Sieh dir unsere Lösungsseiten an, um mehr über Innovationen wie AI in manufacturing und computer vision in healthcare zu erfahren. Schau dir unsere licensing options an und lege noch heute los!