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

Computer-Vision-Modelle sind leistungsfähige KI-Werkzeuge, mit denen Maschinen visuelle Daten interpretieren und analysieren können. Sie führen Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung mit hoher Genauigkeit aus. Für ihre Bereitstellung und einen breiteren Zugang sind jedoch manchmal zusätzliche technische Kenntnisse erforderlich, etwa in der Webentwicklung oder bei der Entwicklung mobiler Apps.

Nehmen wir Ultralytics YOLO11 als Beispiel. Dieses Modell unterstützt verschiedene Aufgaben und eignet sich für zahlreiche Anwendungen. Ohne technische Vorkenntnisse im Frontend kann es für manche KI-Ingenieure jedoch etwas schwierig sein, eine benutzerfreundliche Oberfläche zu erstellen und bereitzustellen.

Streamlit ist ein Open-Source-Framework, das diesen Prozess vereinfachen soll. Mit diesem Python-basierten Werkzeug lassen sich interaktive Anwendungen ohne aufwendige Frontend-Entwicklung erstellen. In Verbindung mit Ultralytics YOLO11 können Nutzer mit minimalem Aufwand Bilder hochladen, Videos verarbeiten und Ergebnisse in Echtzeit visualisieren.

Ultralytics geht mit seiner Live-Inference-Lösung noch einen Schritt weiter und vereinfacht die Integration von Streamlit zusätzlich. Mit einem einzigen Befehl können Nutzer eine vorgefertigte Streamlit-App für YOLO11 starten, ohne sie manuell einrichten und programmieren zu müssen.

In diesem Artikel zeigen wir dir, wie du YOLO11 mit der Live-Inference-Lösung von Ultralytics und Streamlit einrichtest und ausführst. So kannst du KI schneller und einfacher in Echtzeit bereitstellen.

Was ist Streamlit?#

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

Es ist auf die Zusammenarbeit mit KI- und Machine-Learning-Modellen ausgelegt. Mit nur wenigen Zeilen Python können Entwickler eine Oberfläche erstellen, über die Nutzer Bilder hochladen, Videos verarbeiten und mit KI-Modellen interagieren können.

Abb. 1. Die wichtigsten Funktionen von Streamlit. Bild vom Autor.

Eine der wichtigsten Funktionen ist die dynamische Darstellung. Wenn Nutzer Änderungen vornehmen, wird die App automatisch aktualisiert, ohne dass die Seite manuell neu geladen werden muss.

Da Streamlit außerdem leichtgewichtig und einfach zu bedienen ist, läuft es effizient auf lokalen Rechnern und Cloud-Plattformen. Damit eignet es sich hervorragend, um KI-Anwendungen bereitzustellen, Modelle mit anderen zu teilen und eine intuitive, interaktive Nutzererfahrung zu bieten.

Ultralytics YOLO11: ein vielseitiges Vision-KI-Modell#

Bevor wir uns ansehen, wie du mit Ultralytics YOLO11 in einer Streamlit-Anwendung Live-Inferenz ausführst, werfen wir einen genaueren Blick darauf, was YOLO11 so zuverlässig macht.

Ultralytics YOLO11 ist ein Modell für Computer-Vision-Aufgaben in Echtzeit, etwa Objekterkennung, Instanzsegmentierung und Posenschätzung. Es bietet hohe Geschwindigkeit und Genauigkeit.

Abb. 2. Beispiel für den Einsatz von YOLO11 zur Objekterkennung.

Einer der größten Vorteile von YOLO11 ist seine Benutzerfreundlichkeit. Aufwendige Einrichtung ist nicht nötig: Entwickler können das Ultralytics-Python-Paket installieren und mit nur wenigen Codezeilen Vorhersagen erstellen.

Das Python-Paket von Ultralytics bietet eine Reihe von Funktionen, mit denen Nutzer Modelle feinabstimmen und Erkennungseinstellungen anpassen können. Außerdem hilft es, die Leistung auf verschiedenen Geräten zu optimieren, um eine reibungslosere Bereitstellung zu ermöglichen.

Neben seiner Flexibilität unterstützt das Ultralytics-Python-Paket Integrationen mit verschiedenen Plattformen, darunter Edge-Geräte, Cloud-Umgebungen und Systeme mit NVIDIA-GPUs. Ob auf einem kleinen eingebetteten Gerät oder einem großen Cloud-Server – YOLO11 passt sich der Zielhardware an und macht fortschrittliche Vision AI zugänglicher.

Vorteile der Verwendung von Streamlit mit Ultralytics YOLO11#

Du fragst dich vielleicht, woran du erkennst, ob Streamlit die richtige Bereitstellungsoption für dich ist. Wenn du nach einer einfachen, codeeffizienten Möglichkeit suchst, Ultralytics YOLO11 ohne Frontend-Entwicklung auszuführen, ist Streamlit eine gute Option – besonders für Prototypen, Machbarkeitsnachweise (PoC) oder Bereitstellungen für eine kleinere Nutzerzahl.

Streamlit vereinfacht die Arbeit mit Ultralytics YOLO11, indem es unnötige Komplexität beseitigt und eine intuitive Oberfläche für die Interaktion in Echtzeit bietet. Hier sind weitere wichtige Vorteile:

• Anpassbare KI-Steuerung: Du kannst deiner Oberfläche Schieberegler, Dropdown-Menüs und Schaltflächen hinzufügen, damit Nutzer Erkennungseinstellungen feinabstimmen und bestimmte Objekte einfach filtern können.
• Integration mit anderen KI-Werkzeugen: Streamlit unterstützt die Integration mit NumPy, OpenCV, Matplotlib und anderen Bibliotheken für maschinelles Lernen und erweitert so die Möglichkeiten von KI-Arbeitsabläufen.
• Interaktive Datenvisualisierung: Die integrierte Unterstützung für Diagramme und Grafiken ermöglicht es Nutzern, Ergebnisse der Objekterkennung und Segmentierung sowie Erkenntnisse aus dem Tracking zu visualisieren.
• Förderlich für die Zusammenarbeit: Streamlit-Apps lassen sich einfach über einen Link mit Teammitgliedern, Beteiligten oder Kunden teilen. So sind sofortiges Feedback und schnelle Überarbeitungen möglich.

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

Nachdem wir uns die Vorteile der Verwendung von Streamlit mit Ultralytics YOLO11 angesehen haben, gehen wir nun durch, wie du mit Streamlit und YOLO11 Computer-Vision-Aufgaben in Echtzeit im Browser ausführst.

Installation des Python-Pakets von Ultralytics#

Der erste Schritt ist die Installation des Python-Pakets von Ultralytics. Dazu kannst du den folgenden Befehl verwenden:

pip install ultralytics

Nach der Installation ist YOLO11 ohne komplizierte Konfiguration einsatzbereit. Falls bei der Installation der erforderlichen Pakete Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen Tipps zur Fehlerbehebung und Lösungen.

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 zu starten.

Wenn du das folgende Python-Skript mit streamlit run path/to/file.py ausführst, wird die Streamlit-Anwendung in deinem Standardbrowser gestartet:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # du kannst jedes von Ultralytics unterstützte Modell oder ein benutzerdefiniert trainiertes Modell verwenden
)

inf.inference()

Eine zusätzliche Konfiguration ist nicht erforderlich. Die Oberfläche der Streamlit-Anwendung umfasst einen Bereich zum Hochladen von Bildern und Videos, ein Dropdown-Menü zur Auswahl der gewünschten Variante des Ultralytics-YOLO11-Modells sowie Schieberegler zum Anpassen der Erkennungskonfidenz. Alles ist übersichtlich angeordnet, sodass Nutzer Inferenz ausführen können, ohne zusätzlichen Code zu schreiben.

Inferenzläufe mit Ultralytics YOLO11 in der Streamlit-Anwendung ausführen#

Nachdem die Streamlit-Anwendung in deinem Webbrowser gestartet wurde, sehen wir uns an, wie du damit Inferenzläufe mit Ultralytics YOLO11 ausführst.

Angenommen, wir möchten eine Videodatei auf Objekte untersuchen. So lädst du eine Datei hoch, wählst ein Modell aus und siehst dir Ergebnisse in Echtzeit an:

• Videodatei hochladen: Wähle im Dropdown-Menü für die Nutzereinstellungen „Video“ aus. Damit legst du fest, dass die Anwendung eine vorab aufgezeichnete Datei statt eines Webcam-Streams verarbeitet.
• YOLO11-Modell auswählen: Wähle im Modelldropdown „YOLO11l“ aus, um die Objekterkennung mit einem großen YOLO11-Modell durchzuführen.
• Erkennung starten: Klicke auf „Start“, damit Ultralytics YOLO11 das Video Bild für Bild analysiert und Objekte in Echtzeit erkennt.
• Verarbeitetes Video ansehen: Sieh zu, wie das Video mit Live-Aktualisierungen auf dem Bildschirm angezeigt wird und erkannte Objekte mit Begrenzungsrahmen markiert werden.
• Mit Ergebnissen in Streamlit interagieren: Passe über die Oberfläche Einstellungen an oder analysiere Erkennungen – ganz ohne zusätzliche Einrichtung oder Programmierung.

Abb. 3. Oberfläche der Ultralytics-YOLO-Streamlit-Anwendung.

Anwendungsfälle für Streamlit und Ultralytics YOLO11#

Wir haben uns angesehen, wie gut sich Streamlit für die Entwicklung von Prototypen, Forschungswerkzeugen und kleinen bis mittelgroßen Anwendungen eignet. Die Plattform bietet eine einfache Möglichkeit, KI-Modelle ohne komplexe Frontend-Entwicklung bereitzustellen.

YOLO11 mit Streamlit auszuführen ist jedoch nicht immer ohne Weiteres möglich – es sei denn, du verwendest die Ultralytics-YOLO-Streamlit-Anwendung, die wir in den obigen Schritten eingerichtet haben. In den meisten Fällen ist Entwicklungsarbeit nötig, um die Anwendung an bestimmte Anforderungen anzupassen. Streamlit vereinfacht zwar die Bereitstellung, aber du musst die erforderlichen Komponenten weiterhin konfigurieren, damit YOLO11 reibungslos läuft.

Sehen wir uns zwei praktische Beispiele dafür an, wie Ultralytics YOLO11 mit Streamlit in realen Anwendungsszenarien effektiv bereitgestellt werden kann.

Objekte für Bestandskontrollen mit Ultralytics YOLO11 zählen#

Den Bestand in Einzelhandelsgeschäften, Lagerräumen oder Büromaterialräumen im Blick zu behalten, kann zeitaufwendig und fehleranfällig sein. Mit Ultralytics YOLO11 und Streamlit können Unternehmen das Zählen von Objekten schnell und effizient automatisieren. Das ist eine gute Option für einen Machbarkeitsnachweis (PoC), bevor eine groß angelegte Bereitstellung in Angriff genommen wird.

Mit dieser Einrichtung können Nutzer ein Bild hochladen oder einen Live-Kamerastream verwenden. Ultralytics YOLO11 kann dann sofort Objekte erkennen und zählen. Die Anzahl in Echtzeit lässt sich in der Streamlit-Oberfläche anzeigen und ermöglicht eine einfache Bestandsüberwachung ohne manuelle Arbeit.

Ein Ladenbesitzer kann beispielsweise ein Regal scannen und sofort sehen, wie viele Flaschen, Kartons oder verpackte Waren darin stehen, ohne sie von Hand zählen zu müssen. Mit Ultralytics YOLO11 und Streamlit können Unternehmen den manuellen Arbeitsaufwand senken, die Genauigkeit verbessern und Automatisierung mit minimalem Aufwand erproben.

Abb. 4. Flaschenerkennung in einem Kühlschrank mit Ultralytics YOLO11.

Sicherheit mit Ultralytics YOLO11 und Streamlit erhöhen#

Abgesperrte Bereiche in Büros, Lagerhäusern oder Veranstaltungsorten zu sichern, kann schwierig sein, besonders bei manueller Überwachung. Mit Ultralytics YOLO11 und Streamlit können Unternehmen ein einfaches KI-gestütztes Sicherheitssystem einrichten, das unbefugten Zutritt in Echtzeit erkennt.

Ein Kamerastream lässt sich mit der Streamlit-Oberfläche verbinden. Dort kann Ultralytics YOLO11 Personen erkennen und verfolgen, die abgesperrte Bereiche betreten. Wird eine unbefugte Person erkannt, kann das System einen Alarm auslösen oder das Ereignis zur späteren Prüfung protokollieren.

Ein Lagerverwalter kann beispielsweise den Zugang zu Hochsicherheitslagern überwachen. Ein Büro kann Bewegungen in gesperrten Bereichen erfassen, ohne dass eine ständige Beaufsichtigung erforderlich ist.

Dies kann ein nützliches Pilotprojekt für Unternehmen sein, die KI-gestützte Sicherheitsüberwachung mit Vision AI erkunden möchten, bevor sie sich für ein größeres, vollständig automatisiertes System entscheiden. Durch die Integration von Ultralytics YOLO11 mit Streamlit können Unternehmen die Sicherheit verbessern, den manuellen Überwachungsaufwand verringern und effektiver auf unbefugten Zutritt reagieren.

Tipps zur Überwachung einer interaktiven KI-App mit Streamlit#

Mit Werkzeugen wie Streamlit Computer-Vision-Modelle bereitzustellen, ermöglicht eine interaktive und benutzerfreundliche Anwendung. Nach der Einrichtung der Live-Oberfläche ist es jedoch wichtig sicherzustellen, dass das System effizient läuft und langfristig genaue Ergebnisse liefert.

Nach der Bereitstellung solltest du einige wichtige Faktoren berücksichtigen:

• Regelmäßige Überwachung: Verfolge die Erkennungsgenauigkeit, die Inferenzgeschwindigkeit und den Ressourcenverbrauch. Passe die Modellparameter an oder erweitere die Hardware, wenn die Leistung nachlässt.
• Mehrere Nutzer und Skalierbarkeit verwalten: Wenn die Nachfrage steigt, ist die Optimierung der Infrastruktur entscheidend, um die Leistung aufrechtzuerhalten. Cloud-Plattformen und skalierbare Bereitstellungslösungen sorgen für einen reibungslosen Betrieb.
• Modell auf dem neuesten Stand halten: Aktuelle Modelle und Bibliotheken verbessern die Genauigkeit und Sicherheit und ermöglichen den Zugriff auf neue Funktionen.

Die wichtigsten Erkenntnisse#

Ultralytics vereinfacht die Bereitstellung von YOLO11 mit einer sofort einsatzbereiten Streamlit-Live-Oberfläche, die sich mit einem einzigen Befehl starten lässt – ganz ohne Programmierung. So können Nutzer sofort mit der Objekterkennung in Echtzeit beginnen.

Die Oberfläche umfasst auch integrierte Anpassungsmöglichkeiten. Nutzer können mühelos zwischen Modellen wechseln, Konfidenzschwellen anpassen und Objekte filtern. Alles wird über eine einfache, benutzerfreundliche Oberfläche gesteuert, sodass keine manuelle Entwicklung einer Benutzeroberfläche erforderlich ist.

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

Werde Teil unserer Community und entdecke unser GitHub-Repository, um mehr über KI zu erfahren. Auf unseren Lösungsseiten erfährst du mehr über Innovationen wie KI in der Fertigung und Computer Vision im Gesundheitswesen. Sieh dir unsere Lizenzoptionen an und leg noch heute los!