18. März 2025
Erfahren Sie, wie Sie YOLO11-Inferenz innerhalb einer Streamlit-Oberfläche ausführen und eine interaktive KI-Schnittstelle für Computer-Vision-Aufgaben ohne Programmierkenntnisse erstellen.
Computer-Vision-Modelle sind wirkungsvolle KI-Tools, die es Maschinen ermöglichen, visuelle Daten zu interpretieren und zu analysieren und Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung mit hoher Genauigkeit auszuführen. Für die Bereitstellung und den Zugang zu einem breiteren Publikum können sie jedoch zusätzliche technische Expertise erfordern, wie z. B. Webentwicklung oder mobile App-Kenntnisse.
Nehmen wir zum Beispiel Ultralytics YOLO11. Es handelt sich um ein Modell, das verschiedene Aufgaben unterstützt und für eine Reihe von Anwendungen nützlich ist. Ohne technisches Front-End-Wissen kann die Erstellung und Bereitstellung einer benutzerfreundlichen Oberfläche für eine nahtlose Interaktion für einige KI-Ingenieure jedoch eine kleine Herausforderung darstellen.
Streamlit ist ein Open-Source-Framework, das diesen Prozess vereinfachen soll. Es ist ein Python-basiertes Tool zum Erstellen interaktiver Anwendungen ohne komplexe Front-End-Entwicklung. In Kombination mit YOLO11 können Benutzer Bilder hochladen, Videos verarbeiten und Ergebnisse in Echtzeit mit minimalem Aufwand visualisieren.
Ultralytics geht mit seiner Live-Inferenz-Lösung noch einen Schritt weiter und vereinfacht die Streamlit-Integration noch weiter. Mit einem einzigen Befehl können Benutzer eine vorgefertigte Streamlit-App für YOLO11 starten, wodurch die manuelle Einrichtung und Programmierung entfällt.
In diesem Artikel zeigen wir Ihnen, wie Sie YOLO11 mithilfe der Live-Inferenz-Lösung von Ultralytics mit Streamlit einrichten und ausführen, um die KI-Bereitstellung in Echtzeit schneller und zugänglicher zu machen.
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 auseinandersetzen zu müssen.
Es wurde entwickelt, um nahtlos mit KI- und Machine-Learning-Modellen zusammenzuarbeiten. Mit nur wenigen Zeilen Python können Entwickler eine Schnittstelle erstellen, über die Benutzer Bilder hochladen, Videos verarbeiten und mit KI-Modellen interagieren können.
Eines der Hauptmerkmale ist das dynamische Rendering. Wenn Benutzer Änderungen vornehmen, aktualisiert sich die App automatisch, ohne dass ein manuelles Neuladen der Seite erforderlich ist.
Da Streamlit leichtgewichtig und einfach zu bedienen ist, läuft es effizient sowohl auf lokalen Rechnern als auch auf Cloud-Plattformen. Dies macht es zu einer ausgezeichneten Wahl für die Bereitstellung von KI-Anwendungen, das Teilen von Modellen mit anderen und die Bereitstellung einer intuitiven, interaktiven Benutzererfahrung.
Bevor wir uns damit beschäftigen, wie man Live-Inferenz mit Ultralytics YOLO11 in einer Streamlit-Anwendung ausführt, wollen wir uns genauer ansehen, was YOLO11 so zuverlässig macht.
Ultralytics YOLO11 ist ein Modell, das für Echtzeit-Computer Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung und Pose-Schätzung entwickelt wurde. Es bietet eine hohe Geschwindigkeit mit beeindruckender Genauigkeit.
Einer der größten Vorteile von YOLO11 ist seine Benutzerfreundlichkeit. Es sind keine komplexen Setups erforderlich; Entwickler können das Ultralytics Python-Paket installieren und mit nur wenigen Zeilen Code Vorhersagen treffen.
Das Ultralytics Python-Paket bietet eine Reihe von Funktionen, die es Benutzern ermöglichen, Modelle feinabzustimmen und Erkennungseinstellungen anzupassen. Es hilft auch, die Leistung auf verschiedenen Geräten für eine reibungslosere Bereitstellung zu optimieren.
Über die Flexibilität hinaus unterstützt das Ultralytics Python-Paket Integrationen auf verschiedenen Plattformen, einschließlich Edge-Geräten, Cloud-Umgebungen und NVIDIA GPU-fähigen Systemen. Ob auf einem kleinen Embedded Device oder einem großen Cloud-Server bereitgestellt, YOLO11 passt sich mühelos an und macht fortschrittliche Vision AI zugänglicher denn je.
Sie fragen sich vielleicht, woher weiß ich, ob Streamlit die richtige Bereitstellungsoption für mich ist? Wenn Sie nach einer einfachen, code-effizienten Möglichkeit suchen, YOLO11 auszuführen, ohne sich mit der Front-End-Entwicklung auseinandersetzen zu müssen, ist Streamlit eine gute Option – insbesondere für Prototyping, Proof-of-Concept (PoC)-Projekte oder Bereitstellungen, die auf eine kleinere Anzahl von Benutzern ausgerichtet sind.
Es rationalisiert die Arbeit mit YOLO11, indem es unnötige Komplexität vermeidet und eine intuitive Schnittstelle für die Echtzeitinteraktion bietet. Hier sind einige weitere wichtige Vorteile:
Nachdem wir die Vorteile der Verwendung von Streamlit mit YOLO11 untersucht haben, wollen wir nun durchgehen, wie man Echtzeit-Computer-Vision-Aufgaben in einem Browser mit Streamlit und YOLO11 ausführt.
Der erste Schritt ist die Installation des Ultralytics Python-Pakets. Dies kann mit dem folgenden Befehl erfolgen:
Nach der Installation ist YOLO11 ohne komplizierte Einrichtung einsatzbereit. Wenn Sie bei der Installation der erforderlichen Pakete auf Probleme stoßen, können Sie in unserem Leitfaden zu häufigen Problemen Tipps und Lösungen zur Fehlerbehebung finden.
Normalerweise müssten Sie 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 die Streamlit-Anwendung sofort in Ihrem Standard-Webbrowser:
Es ist keine zusätzliche Konfiguration erforderlich. Die Streamlit-Anwendungsschnittstelle enthält einen Upload-Bereich für Bilder und Videos, ein Dropdown-Menü zur Auswahl der gewünschten YOLO11-Modellvariante und Schieberegler zur Anpassung der Erkennungssicherheit. Alles ist übersichtlich organisiert, sodass Benutzer mühelos Inferenz ausführen können, ohne zusätzlichen Code schreiben zu müssen.
Nachdem die Streamlit-Anwendung in Ihrem Webbrowser läuft, wollen wir untersuchen, wie Sie sie verwenden können, um Inferenz mit YOLO11 auszuführen.
Nehmen wir beispielsweise an, wir möchten eine Videodatei zur Objekterkennung analysieren. Hier sind die Schritte zum Hochladen einer Datei, Auswählen eines Modells und Anzeigen von Echtzeitergebnissen:
Wir haben uns angesehen, wie gut sich Streamlit für die Erstellung von Prototypen, Forschungstools und kleinen bis mittelgroßen Anwendungen eignet. Es bietet eine einfache Möglichkeit, KI-Modelle ohne komplexe Frontend-Entwicklung bereitzustellen.
Allerdings ist die Ausführung von YOLO11 mit Streamlit nicht immer eine sofort einsatzbereite Lösung – es sei denn, Sie verwenden die Ultralytics YOLO Streamlit-Anwendung, die wir in den obigen Schritten eingerichtet haben. In den meisten Fällen sind einige Entwicklungsarbeiten erforderlich, um die Anwendung an spezifische Bedürfnisse anzupassen. Streamlit vereinfacht zwar die Bereitstellung, Sie müssen jedoch weiterhin die notwendigen Komponenten konfigurieren, um sicherzustellen, dass YOLO11 reibungslos läuft.
Lassen Sie uns zwei praktische Beispiele untersuchen, wie Ultralytics YOLO11 in realen Szenarien effektiv mit Streamlit eingesetzt werden kann.
Die Verfolgung des Lagerbestands in Einzelhandelsgeschäften, Lagerräumen oder Büromaterialbereichen kann zeitaufwändig und fehleranfällig sein. Durch die Verwendung von YOLO11 mit Streamlit können Unternehmen die Objektzählung schnell und effizient automatisieren, was es zu einer großartigen Option für einen Proof of Concept (PoC) macht, bevor sie sich für eine groß angelegte Bereitstellung entscheiden.
Mit dieser Einrichtung können Benutzer ein Bild hochladen oder einen Live-Kamera-Feed verwenden, und YOLO11 kann helfen, Objekte sofort zu erkennen und zu zählen. Die Echtzeit-Zählung kann in der Streamlit-Oberfläche angezeigt werden, was eine einfache Möglichkeit bietet, den Lagerbestand ohne manuellen Aufwand zu überwachen.
Beispielsweise kann ein Ladenbesitzer ein Regal scannen und sofort sehen, wie viele Flaschen, Kartons oder verpackte Waren vorhanden sind, ohne sie manuell zählen zu müssen. Durch die Nutzung von YOLO11 und Streamlit können Unternehmen manuelle Arbeit reduzieren, die Genauigkeit verbessern und die Automatisierung mit minimalen Investitionen erkunden.
Die Sicherung von Sperrbereichen in Büros, Lagerhäusern oder Veranstaltungsorten kann schwierig sein, insbesondere bei manueller Überwachung. Durch die Verwendung von YOLO11 mit Streamlit können Unternehmen ein einfaches KI-gestütztes Sicherheitssystem einrichten, um unbefugten Zugriff in Echtzeit zu erkennen.
Ein Kamera-Feed kann mit der Streamlit-Oberfläche verbunden werden, wo 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.
Beispielsweise kann ein Lagerverwalter den Zugang zu Hochsicherheitslagerbereichen überwachen, oder ein Büro kann Bewegungen in Sperrbereichen verfolgen, ohne dass eine ständige Überwachung erforderlich ist.
Dies kann ein aufschlussreiches Projekt für Unternehmen sein, die die Vision AI-gestützte Sicherheitsüberwachung erkunden möchten, bevor sie sich für ein größeres, vollautomatisiertes System entscheiden. Durch die Integration von YOLO11 mit Streamlit können Unternehmen die Sicherheit erhöhen, die manuelle Überwachung minimieren und effektiver auf unbefugten Zugriff reagieren.
Die Verwendung von Tools wie Streamlit zur Bereitstellung von Computer-Vision-Modellen trägt dazu bei, eine interaktive und benutzerfreundliche Erfahrung zu schaffen. Nach dem Einrichten der Live-Schnittstelle 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:
Ultralytics vereinfacht die YOLO11-Bereitstellung mit einer sofort einsatzbereiten Streamlit-Live-Schnittstelle, die mit einem einzigen Befehl ausgeführt wird - keine Programmierung erforderlich. Dies ermöglicht es Benutzern, sofort mit der Echtzeit-Objekterkennung zu beginnen.
Die Schnittstelle umfasst auch integrierte Anpassungsoptionen, die es Benutzern ermöglichen, Modelle zu wechseln, die Erkennungsgenauigkeit anzupassen und Objekte einfach zu filtern. Alles wird über eine einfache, benutzerfreundliche Oberfläche verwaltet, wodurch die Notwendigkeit einer manuellen UI-Entwicklung entfällt. Durch die Kombination von
YOLO11’s Fähigkeiten mit Streamlit’s einfacher Bereitstellung können Unternehmen und Entwickler schnell Prototypen erstellen, testen und KI-gesteuerte Anwendungen verfeinern.
Werden Sie Teil unserer Community und erkunden Sie unser GitHub-Repository für weitere Einblicke in KI. Werfen Sie einen Blick auf unsere Lösungsseiten, um mehr über Innovationen wie KI in der Fertigung und Computer Vision im Gesundheitswesen zu erfahren. Sehen Sie sich unsere Lizenzoptionen an und legen Sie noch heute los!
.webp)