18. März 2025
Lernen Sie, wie Sie YOLO11 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 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 Sie Ultralytics YOLO11zum Beispiel. 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 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 Ultralyticsmit Streamlit einrichten und ausführen können, wodurch die Bereitstellung von Echtzeit-KI schneller und einfacher wird.
Streamlit ist ein Python , 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.
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 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.
Einer der größten Vorteile von YOLO11ist seine Benutzerfreundlichkeit. Entwickler können dasPython installieren und mit nur wenigen Zeilen Code mit der Erstellung von Vorhersagen beginnen.
DasPython 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 ist nicht nur flexibel, sondern unterstützt auch die Integration auf verschiedenen Plattformen, einschließlich Edge-Geräten, Cloud-Umgebungen und NVIDIA GPU 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.
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:
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.
Der erste Schritt besteht darin, das Python 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.
Normalerweise müssten Sie ein Python mit Streamlit-Komponenten entwickeln, um YOLO11 auszuführen. Ultralytics bietet jedoch eine einfache Möglichkeit, YOLO11 mit Streamlit auszuführen.
Wenn Sie das folgende Python 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 und Schieberegler zur Einstellung der Erkennungssicherheit. Alles ist übersichtlich organisiert, so dass die Nutzer mühelos Rückschlüsse ziehen können, ohne zusätzlichen Code schreiben zu müssen.
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 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.
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.
Die track 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 detect 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.
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 detect .
Ein Kamerabild kann an die Streamlit-Schnittstelle angeschlossen werden, wo YOLO11 verwendet wird, um Personen zu identifizieren und track , 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 Lagerleiter den Zugang zu Hochsicherheitsbereichen überwachen, oder ein Büro kann track Bewegungen in gesperrten Bereichen track , 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.
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 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 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
Die Fähigkeiten von YOLO11und 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. Sehen Sie sich unsere Lizenzoptionen an und legen Sie noch heute los!
