Erstellen Sie eine interaktive KI-App mit Streamlit und Ultralytics YOLO11

Abirami Vina

5 Minuten lesen

18. März 2025

Lernen Sie, wie Sie YOLO11-Inferenzen innerhalb einer Streamlit-Schnittstelle ausführen und eine interaktive KI-Schnittstelle für Computer-Vision-Aufgaben ohne Programmierkenntnisse erstellen können.

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 durchzuführen. Allerdings erfordern sie manchmal zusätzliches technisches Fachwissen, z. B. in der Webentwicklung oder bei mobilen Anwendungen, um sie einzusetzen und einem breiteren Publikum zugänglich zu machen.

Nehmen Sie zum Beispiel Ultralytics YOLO11. Es ist ein Modell, das verschiedene Aufgaben unterstützt und für eine Reihe von Anwendungen nützlich ist. Ohne technisches Front-End-Wissen kann die Entwicklung und Bereitstellung einer benutzerfreundlichen Schnittstelle für eine nahtlose Interaktion jedoch für einige KI-Ingenieure eine kleine Herausforderung darstellen.

Streamlit ist ein Open-Source-Framework, das diesen Prozess vereinfachen soll. Es handelt sich um ein Python-basiertes Tool zur Erstellung interaktiver Anwendungen ohne komplexe Front-End-Entwicklung. In Verbindung mit YOLO11 können Nutzer mit minimalem Aufwand Bilder hochladen, Videos verarbeiten und Echtzeit-Ergebnisse 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 die Notwendigkeit einer manuellen Einrichtung und Kodierung entfällt. 

In diesem Artikel zeigen wir Ihnen, wie Sie YOLO11 unter Verwendung der Live Inference-Lösung von Ultralytics mit Streamlit einrichten und ausführen können, wodurch die Bereitstellung von Echtzeit-KI schneller und einfacher wird.

Was ist Streamlit?

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

Es ist so konzipiert, dass es nahtlos mit KI- und maschinellen Lernmodellen zusammenarbeitet. Mit nur ein paar Zeilen Python können Entwickler eine Schnittstelle erstellen, über die Benutzer Bilder hochladen, Videos verarbeiten und mit KI-Modellen interagieren können.

__wf_reserved_inherit
Abb. 1. Die wichtigsten Merkmale von Streamlit. Bild vom Autor.

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

Da Streamlit leichtgewichtig und einfach zu bedienen ist, kann es sowohl auf lokalen Rechnern als auch auf Cloud-Plattformen ausgeführt werden. Dies macht es zu einer hervorragenden Wahl für die Bereitstellung von KI-Anwendungen, die gemeinsame Nutzung 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 mit Ultralytics YOLO11 in einer Streamlit-Anwendung Live-Inferenzen durchführt, wollen wir einen genaueren Blick darauf werfen, 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.

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

Einer der größten Vorteile von YOLO11 ist seine Benutzerfreundlichkeit. Entwickler können das Ultralytics-Python-Paket installieren und mit nur wenigen Zeilen Code mit der Erstellung von Vorhersagen beginnen.

Das Ultralytics-Python-Paket bietet eine Reihe von Funktionen, mit denen die Benutzer Modelle feinabstimmen und Erkennungseinstellungen anpassen können. Es hilft auch bei der Optimierung der Leistung über verschiedene Geräte hinweg, um eine reibungslosere Bereitstellung zu ermöglichen.

Das Ultralytics Python-Paket ist nicht nur flexibel, sondern unterstützt auch die Integration auf verschiedenen Plattformen, einschließlich Edge-Geräten, Cloud-Umgebungen und NVIDIA GPU-fähigen Systemen. Egal, ob es auf einem kleinen eingebetteten Gerät oder einem großen Cloud-Server eingesetzt wird, YOLO11 passt sich mühelos an und macht fortschrittliche KI zugänglicher denn je.

Vorteile der Verwendung von Streamlit mit Ultralytics YOLO11

Sie fragen sich vielleicht, woher ich weiß, 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 zu befassen, ist Streamlit eine gute Option - insbesondere für Prototypen, Proof-of-Concept (PoC)-Projekte oder Einsätze, die auf eine kleinere Anzahl von Nutzern ausgerichtet sind.

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

  • Anpassbare AI-Steuerungen: Sie können Ihrer Benutzeroberfläche Schieberegler, Dropdowns und Schaltflächen hinzufügen, damit die Benutzer die Erkennungseinstellungen feinabstimmen und bestimmte Objekte einfach filtern können.
  • Integration mit anderen KI-Tools: Streamlit unterstützt die Integration mit NumPy, OpenCV, Matplotlib und anderen Bibliotheken für maschinelles Lernen und erweitert so die Möglichkeiten des KI-Workflows.
  • Interaktive Datenvisualisierung: Dank der integrierten Unterstützung für Diagramme und Grafiken können Benutzer die Objekterkennung, Segmentierungsergebnisse oder Tracking-Erkenntnisse mühelos visualisieren.
  • Zusammenarbeitsfreundlich: Streamlit-Apps können über einen einfachen Link mit Teammitgliedern, Interessenvertretern oder Kunden geteilt werden, was sofortiges Feedback und Iteration ermöglicht.

Schritt-für-Schritt-Anleitung für den Einsatz von YOLO11 in einer Streamlit-Webanwendung

Nachdem wir nun die Vorteile der Verwendung von Streamlit mit YOLO11 kennengelernt haben, wollen wir nun zeigen, wie man mit Streamlit und YOLO11 Echtzeit-Computer-Vision-Aufgaben in einem Browser ausführen kann.

Installieren des Ultralytics Python-Pakets

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

Nach der Installation ist YOLO11 ohne kompliziertes Setup einsatzbereit. Wenn Sie bei der Installation der erforderlichen Pakete auf Probleme stoßen, finden Sie in unserem Leitfaden für allgemeine Probleme Tipps und Lösungen zur Fehlerbehebung.

Starten der Streamlit-Anwendung mit YOLO11 

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

Wenn Sie das folgende Python-Skript ausführen, wird die Streamlit-Anwendung sofort in Ihrem Standard-Webbrowser gestartet:

Eine zusätzliche Konfiguration ist nicht erforderlich. Die Streamlit-Anwendungsoberfläche umfasst einen Upload-Bereich für Bilder und Videos, ein Dropdown-Menü zur Auswahl der gewünschten YOLO11-Modellvariante und Schieberegler zur Einstellung der Erkennungssicherheit. Alles ist übersichtlich organisiert, so dass die Nutzer mühelos Rückschlüsse ziehen können, ohne zusätzlichen Code schreiben zu müssen.

Durchführung von Inferenzen mit YOLO11 in der Streamlit-Anwendung

Nun, da die Streamlit-Anwendung in Ihrem Webbrowser läuft, wollen wir erkunden, wie Sie sie verwenden können, um mit YOLO11 Schlussfolgerungen zu ziehen.

Nehmen wir zum Beispiel an, wir möchten eine Videodatei zur Objekterkennung analysieren. Hier sind die Schritte, um eine Datei hochzuladen, ein Modell auszuwählen und die Ergebnisse in Echtzeit anzuzeigen:

  • Laden Sie eine Videodatei hoch: Wählen Sie "Video" aus dem Dropdown-Menü der Benutzerkonfiguration aus, wodurch die Anwendung angewiesen wird, eine vorab aufgezeichnete Datei anstelle eines Webcam-Feeds zu verarbeiten.
  • Wählen Sie ein YOLO11-Modell: Wählen Sie "YOLO11l" aus der Modell-Dropdown-Liste für die Objekterkennung mit einem großen YOLO11-Modell.
  • Starten Sie den Erkennungsprozess: Klicken Sie auf "Start", damit YOLO11 das Video Bild für Bild analysieren und Objekte in Echtzeit erkennen kann.
  • Betrachten Sie das verarbeitete Video: Beobachten Sie, wie das Video mit Live-Updates auf dem Bildschirm erscheint und die erkannten Objekte mit Begrenzungsrahmen anzeigt.
  • Interagieren Sie mit den Ergebnissen in Streamlit: Verwenden Sie die Benutzeroberfläche, um Einstellungen anzupassen oder Erkennungen zu analysieren, und zwar ohne zusätzliche Einstellungen oder Kodierung.
__wf_reserved_inherit
Abbildung 3. Die Anwendungsschnittstelle von Ultralytics YOLO Streamlit.

Anwendungsfälle mit Streamlit und YOLO11

Wir haben uns angeschaut, wie Streamlit für die Erstellung von Prototypen, Forschungstools und kleinen bis mittleren Anwendungen geeignet ist. Es bietet eine einfache Möglichkeit zur Bereitstellung von KI-Modellen ohne komplexe Front-End-Entwicklung.

Die Ausführung von YOLO11 mit Streamlit ist jedoch 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 ist ein gewisser Entwicklungsaufwand erforderlich, um die Anwendung an die spezifischen Anforderungen anzupassen. Auch wenn Streamlit die Bereitstellung vereinfacht, müssen Sie dennoch die notwendigen Komponenten konfigurieren, damit YOLO11 reibungslos funktioniert.

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

Zählen von Objekten für die Inventarkontrolle mit YOLO11

Die Verfolgung des Inventars in Einzelhandelsgeschäften, Lagerräumen oder Bürobereichen kann zeitaufwändig und fehleranfällig sein. Mit YOLO11 und Streamlit können Unternehmen die Zählung von Objekten schnell und effizient automatisieren, was es zu einer großartigen Option für einen Proof of Concept (PoC) macht, bevor sie sich für einen groß angelegten Einsatz 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 und bietet eine einfache Möglichkeit zur Überwachung der Lagerbestände ohne manuellen Aufwand.

Zum Beispiel kann ein Ladenbesitzer ein Regal scannen und sofort sehen, wie viele Flaschen, Kisten oder verpackte Waren vorhanden sind, ohne sie manuell zählen zu müssen. Durch den Einsatz von YOLO11 und Streamlit können Unternehmen die manuelle Arbeit reduzieren, die Genauigkeit verbessern und die Automatisierung mit minimalen Investitionen erkunden.

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

Mehr Sicherheit mit YOLO11 und Streamlit

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

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

So kann beispielsweise ein Lagerverwalter den Zugang zu Hochsicherheitsbereichen überwachen, oder ein Büro kann Bewegungen in gesperrten Bereichen verfolgen, ohne dass eine ständige Überwachung erforderlich ist.

Dies kann ein aufschlussreiches Projekt für Unternehmen sein, die die Vision AI-gesteuerte Sicherheitsüberwachung erkunden möchten, bevor sie sich für ein größeres, vollautomatisches System entscheiden. Durch die Integration von YOLO11 mit Streamlit können Unternehmen die Sicherheit verbessern, die manuelle Überwachung minimieren und effektiver auf unbefugten Zugriff reagieren.

Tipps für die Überwachung einer interaktiven KI-App mit Streamlit

Der Einsatz von Tools wie Streamlit zur Bereitstellung von Computer-Vision-Modellen trägt zu einer interaktiven und benutzerfreundlichen Erfahrung bei. Nach der Einrichtung der Live-Schnittstelle muss jedoch sichergestellt werden, dass das System effizient läuft und im Laufe der Zeit genaue Ergebnisse liefert.

Hier sind einige Schlüsselfaktoren, die nach der Einführung zu beachten sind:

  • Regelmäßige Überwachung: Verfolgen Sie die Erkennungsgenauigkeit, die Geschwindigkeit der Schlussfolgerungen und die Ressourcennutzung. Passen Sie die Modellparameter an oder aktualisieren Sie die Hardware, wenn die Leistung nachlässt.
  • Verwaltung mehrerer Benutzer und Skalierbarkeit: Wenn die Nutzernachfrage steigt, ist die Optimierung der Infrastruktur der Schlüssel zur Aufrechterhaltung der Leistung. Cloud-Plattformen und skalierbare Bereitstellungslösungen tragen zu einem reibungslosen Betrieb bei.
  • Halten Sie das Modell auf dem neuesten Stand: Die ständige Aktualisierung des Modells und der Bibliotheken erhöht die Genauigkeit, die Sicherheit und den Zugang zu neuen Funktionen.

Die wichtigsten Erkenntnisse

Ultralytics vereinfacht den Einsatz von YOLO11 mit einer gebrauchsfertigen Streamlit-Live-Schnittstelle, die mit einem einzigen Befehl ausgeführt wird - ohne Programmierung. So können Benutzer sofort mit der Echtzeit-Objekterkennung beginnen.

Die Benutzeroberfläche umfasst auch integrierte Anpassungsmöglichkeiten, die es den Benutzern ermöglichen, Modelle zu wechseln, die Erkennungsgenauigkeit anzupassen und Objekte zu filtern. Alles wird über eine einfache, benutzerfreundliche Oberfläche verwaltet, so dass eine manuelle Entwicklung der Benutzeroberfläche nicht erforderlich ist. Durch die Kombination von

Die Fähigkeiten von YOLO11 und die einfache Bereitstellung von Streamlit ermöglichen es Unternehmen und Entwicklern, KI-gesteuerte Anwendungen schnell zu prototypisieren, zu testen und zu 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. Informieren Sie sich über unsere Lizenzierungsoptionen und legen Sie noch heute los!

Lassen Sie uns gemeinsam die Zukunft
der KI gestalten!

Beginnen Sie Ihre Reise in die Zukunft des maschinellen Lernens

Kostenloser Start
Link in die Zwischenablage kopiert