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, um Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung mit hoher Genauigkeit auszuführen. Für ihre Bereitstellung und den Zugang für ein größeres Publikum sind jedoch manchmal zusätzliche technische Kenntnisse erforderlich, etwa in der Webentwicklung oder bei der Entwicklung mobiler Anwendungen.

Nimm zum Beispiel Ultralytics YOLO11. Es handelt sich um ein Modell, das verschiedene Aufgaben unterstützt und für zahlreiche Anwendungen geeignet ist. Ohne gewisse technische Kenntnisse im Frontend kann es für manche KI-Ingenieure jedoch etwas schwierig wirken, eine benutzerfreundliche Oberfläche für eine reibungslose Interaktion zu entwickeln und bereitzustellen.

Streamlit ist ein Open-Source-Framework, das diesen Prozess vereinfachen soll. Es ist ein Python-basiertes Werkzeug zum Erstellen interaktiver Anwendungen ohne komplexe Frontend-Entwicklung. In Kombination mit Ultralytics YOLO11 können Nutzer Bilder hochladen, Videos verarbeiten und Ergebnisse in Echtzeit mit minimalem Aufwand visualisieren.

Ultralytics geht mit seiner Lösung für Live-Inferenz noch einen Schritt weiter und vereinfacht die Integration von Streamlit zusätzlich. Mit einem einzigen Befehl können Nutzer eine vorgefertigte Streamlit-Anwendung für YOLO11 starten, sodass eine manuelle Einrichtung und Programmierung entfällt.

In diesem Artikel zeigen wir dir, wie du YOLO11 mit der Lösung für Live-Inferenz von Ultralytics und Streamlit einrichtest und ausführst, damit die Bereitstellung von KI in Echtzeit schneller und zugänglicher wird.

Was ist Streamlit?#

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

Es wurde für die nahtlose Zusammenarbeit mit KI- und maschinellen Lernmodellen entwickelt. 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. Wichtige Funktionen von Streamlit. Bild: Autor.

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

Da Streamlit außerdem leichtgewichtig und einfach zu bedienen ist, läuft es effizient sowohl auf lokalen Rechnern als auch auf Cloud-Plattformen. Dadurch eignet es sich hervorragend für die Bereitstellung von KI-Anwendungen, die gemeinsame Nutzung von Modellen und eine intuitive, interaktive Benutzererfahrung.

Ultralytics YOLO11: Ein vielseitiges Vision-KI-Modell#

Bevor wir darauf eingehen, wie du Live-Inferenzen mit Ultralytics YOLO11 in einer Streamlit-Anwendung ausführst, sehen wir uns genauer an, was YOLO11 so zuverlässig macht.

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

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

Einer der größten Vorteile von YOLO11 ist seine einfache Bedienung. Komplexe Konfigurationen sind nicht erforderlich: Entwickler können das Ultralytics-Python-Paket installieren und mit nur wenigen Codezeilen Vorhersagen erstellen.

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

Neben seiner Flexibilität unterstützt das Ultralytics-Python-Paket Integrationen über mehrere Plattformen hinweg, darunter Edge-Geräte, Cloud-Umgebungen und Systeme 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 denn je.

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 und codeeffizienten Möglichkeit suchst, Ultralytics YOLO11 auszuführen, ohne dich mit Frontend-Entwicklung zu befassen, ist Streamlit eine gute Option – insbesondere für Prototypen, Proof-of-Concept-(PoC)-Projekte oder Bereitstellungen für eine kleinere Nutzerzahl.

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

• Anpassbare KI-Steuerung: Du kannst Schieberegler, Dropdown-Menüs und Schaltflächen zu deiner Oberfläche hinzufügen, sodass 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-Workflows.

• Interaktive Datenvisualisierung: Die integrierte Unterstützung für Diagramme ermöglicht es Nutzern, Objekterkennungen, Segmentierungsergebnisse oder Erkenntnisse aus der Verfolgung mühelos zu visualisieren.

• Zusammenarbeitsfreundlich: Streamlit-Anwendungen lassen sich über einen einfachen Link problemlos mit Teammitgliedern, Stakeholdern oder Kunden teilen, sodass direktes Feedback und schnelle Iterationen möglich werden.

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

Nachdem wir die Vorteile der Verwendung von Streamlit mit Ultralytics YOLO11 betrachtet haben, zeigen wir dir nun, wie du Computer-Vision-Aufgaben in Echtzeit mit Streamlit und YOLO11 in einem Browser ausführst.

Installation des Ultralytics-Python-Pakets#

Der erste Schritt besteht darin, das Ultralytics-Python-Paket zu installieren. Dazu kannst du den folgenden Befehl verwenden:

Nach der Installation ist YOLO11 ohne aufwendige Einrichtung einsatzbereit. Falls bei der Installation der erforderlichen Pakete Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen Tipps zur Fehlerbehebung und passende 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 verwenden.

Durch Ausführen des folgenden Python-Skripts wird die Streamlit-Anwendung sofort in deinem Standard-Webbrowser gestartet:

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

Inferenzen mit Ultralytics YOLO11 in der Streamlit-Anwendung ausführen#

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

Nehmen wir beispielsweise an, dass wir eine Videodatei zur Objekterkennung analysieren möchten. So lädst du eine Datei hoch, wählst ein Modell aus und siehst die Ergebnisse in Echtzeit:

• Eine Videodatei hochladen: Wähle im Dropdown-Menü für die Benutzereinstellungen „video“ aus. Dadurch wird der Anwendung mitgeteilt, dass sie eine vorab aufgezeichnete Datei statt eines Webcam-Feeds verarbeiten soll.
• Ein YOLO11-Modell auswählen: Wähle im Modell-Dropdown-Menü „YOLO11l“ aus, um die Objekterkennung mit einem großen YOLO11-Modell durchzuführen.
• Die Erkennung starten: Klicke auf „Start“. Ultralytics YOLO11 analysiert daraufhin das Video Bild für Bild und erkennt Objekte in Echtzeit.
• Das verarbeitete Video anzeigen: Sieh zu, wie das Video mit laufenden Aktualisierungen auf dem Bildschirm erscheint und erkannte Objekte mit Begrenzungsrahmen anzeigt.
• Mit den Ergebnissen in Streamlit interagieren: Verwende die Oberfläche, um Einstellungen anzupassen oder Erkennungen zu analysieren – ganz ohne zusätzliche Einrichtung oder Programmierung.

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

Anwendungsfälle für Streamlit und Ultralytics YOLO11#

Wir haben uns angesehen, warum Streamlit sich hervorragend für die Erstellung von Prototypen, Forschungswerkzeugen sowie kleinen bis mittelgroßen Anwendungen eignet. Es bietet eine einfache Möglichkeit, KI-Modelle ohne komplexe Frontend-Entwicklung bereitzustellen.

Die Ausführung von YOLO11 mit Streamlit ist jedoch nicht immer eine sofort einsatzbereite Lösung – es sei denn, du verwendest die oben in den Schritten eingerichtete Ultralytics-YOLO-Streamlit-Anwendung. In den meisten Fällen ist Entwicklungsarbeit erforderlich, um die Anwendung an bestimmte Anforderungen anzupassen. Streamlit vereinfacht zwar die Bereitstellung, dennoch musst du die erforderlichen Komponenten konfigurieren, damit YOLO11 reibungslos läuft.

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

Objekte für Bestandsprüfungen mit Ultralytics YOLO11 zählen#

Die Bestandsaufnahme in Einzelhandelsgeschäften, Lagerräumen oder Bereichen mit Büromaterial kann zeitaufwendig und fehleranfällig sein. Mit Ultralytics YOLO11 und Streamlit können Unternehmen das Zählen von Objekten schnell und effizient automatisieren. Damit eignet sich diese Lösung hervorragend als Proof of Concept (PoC), bevor eine groß angelegte Bereitstellung umgesetzt wird.

Mit dieser Konfiguration können Nutzer ein Bild hochladen oder einen Live-Kamera-Feed verwenden, und Ultralytics YOLO11 kann Objekte sofort erkennen und zählen. Die Anzahl in Echtzeit kann in der Streamlit-Oberfläche angezeigt werden und bietet eine einfache Möglichkeit, Bestände ohne manuellen Aufwand zu überwachen.

Ein Ladenbesitzer kann beispielsweise ein Regal scannen und sofort sehen, wie viele Flaschen, Kartons oder verpackte Waren vorhanden sind, ohne sie manuell zählen zu müssen. Durch den Einsatz von Ultralytics YOLO11 und Streamlit können Unternehmen den manuellen Aufwand verringern, die Genauigkeit verbessern und Automatisierung mit geringem Investitionsaufwand erproben.

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

Sicherheit mit Ultralytics YOLO11 und Streamlit verbessern#

Die Sicherung von Bereichen mit Zugangsbeschränkung in Büros, Lagerhäusern oder Veranstaltungsorten kann schwierig sein, insbesondere bei manueller Überwachung. Mit Ultralytics YOLO11 und Streamlit können Unternehmen ein einfaches KI-gestütztes Sicherheitssystem einrichten, das unbefugten Zutritt in Echtzeit erkennt.

Ein Kamera-Feed kann mit der Streamlit-Oberfläche verbunden werden. Dort wird Ultralytics YOLO11 eingesetzt, um Personen zu erkennen und zu verfolgen, die Bereiche mit Zugangsbeschränkung betreten. Wird eine unbefugte Person erkannt, kann das System einen Alarm auslösen oder das Ereignis zur späteren Prüfung protokollieren.

Ein Lagerleiter kann beispielsweise den Zugang zu besonders gesicherten Lagerbereichen überwachen. Ebenso kann ein Büro Bewegungen in gesperrten Bereichen verfolgen, ohne dass eine ständige Überwachung erforderlich ist.

Dies kann ein aufschlussreiches Projekt für Unternehmen sein, die eine durch Vision-KI gesteuerte Sicherheitsüberwachung erproben möchten, bevor sie sich für ein größeres, vollständig automatisiertes System entscheiden. Durch die Integration von Ultralytics YOLO11 mit Streamlit können Unternehmen die Sicherheit erhöhen, den manuellen Überwachungsaufwand verringern und effektiver auf unbefugten Zutritt reagieren.

Tipps zur Überwachung einer interaktiven KI-Anwendung mit Streamlit#

Der Einsatz von Werkzeugen wie Streamlit zur Bereitstellung von Computer-Vision-Modellen trägt zu einer interaktiven und benutzerfreundlichen Erfahrung bei. Nach der Einrichtung der Live-Oberfläche ist es jedoch wichtig sicherzustellen, dass das System effizient läuft und langfristig genaue Ergebnisse liefert.

Hier sind einige wichtige Faktoren, die du nach der Bereitstellung berücksichtigen solltest:

• Regelmäßige Überwachung: Überwache Erkennungsgenauigkeit, Inferenzgeschwindigkeit und Ressourcenverbrauch. Passe die Modellparameter an oder rüste die Hardware auf, 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 tragen zu einem reibungslosen Betrieb bei.
• Das Modell aktuell halten: Wenn du das Modell und die Bibliotheken aktuell hältst, verbessert das die Genauigkeit und Sicherheit und ermöglicht den Zugriff auf neue Funktionen.

Wichtige Erkenntnisse#

Ultralytics vereinfacht die Bereitstellung von YOLO11 mit einer sofort einsatzbereiten Streamlit-Live-Oberfläche, die mit einem einzigen Befehl und ohne Programmierung ausgeführt wird. Dadurch können Nutzer sofort mit der Objekterkennung in Echtzeit beginnen.

Die Oberfläche bietet außerdem integrierte Anpassungsmöglichkeiten, mit denen Nutzer Modelle wechseln, die Erkennungsgenauigkeit anpassen und Objekte einfach filtern können. Alles wird in einer einfachen, benutzerfreundlichen Oberfläche verwaltet, sodass keine manuelle Entwicklung der Benutzeroberfläche erforderlich ist. Durch die Kombination von

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

Werde Teil unserer Community und erkunde unser GitHub-Repository, um weitere Einblicke in die KI zu erhalten. Sieh dir unsere Lösungsseiten an, um mehr über Innovationen wie KI in der Fertigung und Computer Vision im Gesundheitswesen zu erfahren. Entdecke unsere Lizenzierungsoptionen und leg noch heute los!