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

Computer Vision-Modelle 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. Manchmal erfordern sie jedoch zusätzliches technisches Fachwissen, wie z. B. Webentwicklungs- oder App-Programmierkenntnisse, 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 Reihe von Anwendungen nützlich ist. Ohne technisches Front-End-Wissen kann das Erstellen und Bereitstellen einer benutzerfreundlichen Oberfläche für eine nahtlose Interaktion jedoch für manche KI-Entwickler eine kleine Herausforderung darstellen.

Streamlit ist ein Open-Source-Framework, das diesen Prozess erleichtern soll. Es ist ein Python-basiertes Tool zum Erstellen interaktiver Anwendungen ohne komplexe Front-End-Entwicklung. In Verbindung mit YOLO11 können Benutzer damit Bilder hochladen, Videos verarbeiten und Echtzeitergebnisse mit minimalem Aufwand visualisieren.

Ultralytics geht mit seiner Live Inference-Lösung noch einen Schritt weiter und macht die Streamlit-Integration noch einfacher. Mit einem einzigen Befehl können Benutzer eine vorgefertigte Streamlit-App für YOLO11 starten, wodurch manuelle Einrichtung und Programmierung entfallen.

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.

Link to this sectionWas 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.

Link to this sectionUltralytics 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 Echtzeit-Computer Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung und Posenschätzung entwickelt wurde. Es liefert Hochgeschwindigkeitsleistung mit 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.

Neben der Flexibilität unterstützt das Ultralytics Python-Paket Integrationen über mehrere Plattformen hinweg, einschließlich Edge-Geräten, Cloud-Umgebungen und NVIDIA GPU-fähigen Systemen. Ob auf einem kleinen eingebetteten Gerät oder einem groß angelegten Cloud-Server eingesetzt, YOLO11 passt sich mühelos an und macht fortschrittliche Vision AI zugänglicher als je zuvor.

Link to this sectionVorteile der Verwendung von Streamlit mit Ultralytics YOLO11#

Vielleicht fragst du dich, woher du weißt, ob Streamlit die richtige Bereitstellungsoption für dich ist? Wenn du nach einer einfachen, code-effizienten Möglichkeit suchst, YOLO11 auszuführen, ohne dich mit der Front-End-Entwicklung zu befassen, ist Streamlit eine gute Option – besonders für Prototyping, Proof-of-Concept (PoC)-Projekte oder Bereitstellungen, die auf eine kleinere Anzahl von Benutzern abzielen.

Es rationalisiert den Prozess der Arbeit mit YOLO11, indem es unnötige Komplexität eliminiert und eine intuitive Schnittstelle für die Interaktion in Echtzeit bietet. Hier sind einige weitere wichtige Vorteile:

• 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.

Link to this sectionSchritt-für-Schritt-Anleitung zur Bereitstellung von YOLO11 in einer Streamlit-Web-App#

Nachdem wir nun die Vorteile der Verwendung von Streamlit mit YOLO11 erkundet haben, gehen wir durch, wie man Computer Vision-Aufgaben in Echtzeit in einem Browser mit Streamlit und YOLO11 ausführt.

Link to this sectionInstallation des Ultralytics Python-Pakets#

Der erste Schritt ist die Installation des Ultralytics Python-Pakets. Dies kann mit dem folgenden Befehl erfolgen:

Nach der Installation ist YOLO11 ohne kompliziertes Setup einsatzbereit. Solltest du bei der Installation der erforderlichen Pakete auf Probleme stoßen, kannst du dich in unserem Common Issues Guide über Tipps und Lösungen zur Fehlerbehebung informieren.

Link to this sectionStarten der Streamlit-Anwendung mit 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 Benutzeroberfläche der Streamlit-Anwendung enthält einen Upload-Bereich für Bilder und Videos, ein Dropdown-Menü zur Auswahl der YOLO11-Modellvariante, an der du interessiert bist, sowie Schieberegler zur Anpassung der Erkennungsgenauigkeit. Alles ist übersichtlich organisiert, sodass Benutzer Inferenzen mühelos ohne das Schreiben von zusätzlichem Code ausführen können.

Link to this sectionAusführen von Inferenzen mit YOLO11 in der Streamlit-Anwendung#

Jetzt, da die Streamlit-Anwendung in deinem Webbrowser läuft, erkunden wir, wie man sie verwendet, um Inferenzen mit 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 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.

Link to this sectionAnwendungsfälle für Streamlit und 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.

Link to this sectionZählen von Objekten für Inventurprüfungen mit YOLO11#

Das Nachverfolgen des Inventars in Einzelhandelsgeschäften, Lagerräumen oder Bürobedarfsbereichen kann zeitaufwendig und fehleranfällig sein. Mit YOLO11 und Streamlit können Unternehmen das Zählen von Objekten schnell und effizient automatisieren, was es zu einer großartigen Option für einen Proof of Concept (PoC) macht, bevor man sich zu einer groß angelegten Bereitstellung verpflichtet.

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

Ein Ladenbesitzer kann zum Beispiel 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 YOLO11 und Streamlit können Unternehmen manuelle Arbeit reduzieren, die Genauigkeit verbessern und die Automatisierung mit minimaler Investition erkunden.

Abb. 4. Erkennen von Flaschen in einem Kühlschrank mit YOLO11.

Link to this sectionVerbesserung der Sicherheit mit YOLO11 und Streamlit#

Die Sicherung von Sperrbereichen in Büros, Lagerhäusern oder Veranstaltungsorten kann schwierig sein, insbesondere bei manueller Überwachung. Mit YOLO11 und Streamlit können Unternehmen ein einfaches KI-gestütztes Sicherheitssystem einrichten, um unbefugten Zutritt in Echtzeit zu erkennen.

Ein Kamera-Feed kann mit der Streamlit-Oberfläche verbunden werden, wobei 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 augenöffnendes Projekt für Unternehmen sein, die vision KI-gesteuerte Sicherheitsüberwachung erkunden möchten, bevor sie sich zu einem größeren, vollautomatisierten System verpflichten. Durch die Integration von YOLO11 mit Streamlit können Unternehmen die Sicherheit verbessern, die manuelle Überwachung minimieren und effektiver auf unbefugten Zugriff reagieren.

Link to this sectionTipps 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, die Inferenzgeschwindigkeit und die 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.

Link to this sectionWichtige 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

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

Werde Teil unserer Community und entdecke unser GitHub-Repository für weitere Einblicke in KI. Sieh dir unsere Lösungsseiten an, um mehr über Innovationen wie KI in der Fertigung und Computer Vision im Gesundheitswesen zu erfahren. Informiere dich über unsere Lizenzierungsoptionen und lege noch heute los!