Ejecuta una aplicación de IA interactiva con Streamlit y Ultralytics YOLO11

Los modelos de visión artificial son herramientas de IA impactantes que permiten a las máquinas interpretar y analizar datos visuales, realizando tareas como la detección de objetos, la clasificación de imágenes y la segmentación de instancias con gran precisión. Sin embargo, a veces requieren experiencia técnica adicional, como conocimientos de desarrollo web o de aplicaciones móviles, para implementarlos y hacerlos accesibles a una audiencia más amplia.

Toma como ejemplo Ultralytics YOLO11. Es un modelo que admite diversas tareas y es útil en una amplia gama de aplicaciones. No obstante, sin conocimientos técnicos de front-end, crear e implementar una interfaz fácil de usar para una interacción fluida puede resultar un poco complicado para algunos ingenieros de IA.

Streamlit es un framework de código abierto que pretende facilitar este proceso. Es una herramienta basada en Python para crear aplicaciones interactivas sin necesidad de un desarrollo front-end complejo. Cuando se combina con YOLO11, permite a los usuarios cargar imágenes, procesar vídeos y visualizar resultados en tiempo real con un esfuerzo mínimo.

Ultralytics da un paso más allá con su solución de inferencia en vivo, haciendo que la integración con Streamlit sea aún más sencilla. Con un solo comando, los usuarios pueden iniciar una aplicación de Streamlit para YOLO11 preconfigurada, eliminando la necesidad de configuración y programación manual.

En este artículo, veremos cómo configurar y ejecutar YOLO11 utilizando la solución de inferencia en vivo de Ultralytics con Streamlit, haciendo que el despliegue de IA en tiempo real sea más rápido y accesible.

Link to this section¿Qué es Streamlit?#

Streamlit es un framework de Python que simplifica la creación de aplicaciones web interactivas. Los desarrolladores de IA pueden crear aplicaciones impulsadas por IA sin tener que lidiar con las complejidades del desarrollo front-end.

Está diseñado para funcionar perfectamente con modelos de IA y aprendizaje automático. Con solo unas pocas líneas de Python, los desarrolladores pueden crear una interfaz donde los usuarios puedan cargar imágenes, procesar vídeos e interactuar con modelos de IA.

Fig 1. Características principales de Streamlit. Imagen del autor.

Una de sus características clave es el renderizado dinámico. Cuando los usuarios realizan cambios, la aplicación se actualiza automáticamente sin necesidad de recargar la página manualmente.

Además, dado que es ligero y fácil de usar, Streamlit funciona de manera eficiente tanto en máquinas locales como en plataformas en la nube. Esto lo convierte en una gran elección para desplegar aplicaciones de IA, compartir modelos con otros y proporcionar una experiencia de usuario intuitiva e interactiva.

Link to this sectionUltralytics YOLO11: Un modelo de IA de visión versátil#

Antes de sumergirnos en cómo ejecutar inferencias en vivo con Ultralytics YOLO11 en una aplicación de Streamlit, examinemos más de cerca qué hace que YOLO11 sea tan fiable.

Ultralytics YOLO11 es un modelo diseñado para tareas de visión artificial en tiempo real como la detección de objetos, la segmentación de instancias y la estimación de pose. Ofrece un rendimiento de alta velocidad con una precisión impresionante.

Fig 2. Un ejemplo del uso de YOLO11 para la detección de objetos.

Una de las mayores ventajas de YOLO11 es su facilidad de uso. No hay necesidad de configuraciones complejas; los desarrolladores pueden instalar el paquete de Python de Ultralytics y empezar a realizar predicciones con solo unas pocas líneas de código.

El paquete de Python de Ultralytics proporciona una serie de características, permitiendo a los usuarios ajustar los modelos y configurar los parámetros de detección. También ayuda a optimizar el rendimiento en diferentes dispositivos para un despliegue más fluido.

Más allá de la flexibilidad, el paquete de Python de Ultralytics admite integraciones en múltiples plataformas, incluyendo dispositivos edge, entornos en la nube y sistemas con GPU NVIDIA. Ya sea desplegado en un pequeño dispositivo embebido o en un servidor en la nube a gran escala, YOLO11 se adapta sin esfuerzo, haciendo que la IA de visión avanzada sea más accesible que nunca.

Link to this sectionVentajas de utilizar Streamlit con Ultralytics YOLO11#

Quizás te preguntes: ¿cómo sé si Streamlit es la opción de despliegue adecuada para mí? Si buscas una forma sencilla y eficiente de ejecutar YOLO11 sin tener que lidiar con el desarrollo front-end, Streamlit es una buena opción, especialmente para prototipos, proyectos de prueba de concepto (PoC) o despliegues destinados a un número reducido de usuarios.

Agiliza el proceso de trabajo con YOLO11 al eliminar complejidades innecesarias y proporcionar una interfaz intuitiva para la interacción en tiempo real. Aquí tienes otras ventajas clave:

• Controles de IA personalizables: Puedes añadir deslizadores, menús desplegables y botones a tu interfaz, lo que permite a los usuarios ajustar la configuración de detección y filtrar objetos específicos fácilmente.

• Integración con otras herramientas de IA: Streamlit admite la integración con NumPy, OpenCV, Matplotlib y otras bibliotecas de aprendizaje automático, mejorando las capacidades del flujo de trabajo de IA.

• Visualización de datos interactiva: El soporte integrado para gráficos y tablas permite a los usuarios visualizar los resultados de la detección de objetos, segmentación o seguimiento sin esfuerzo.

• Ideal para la colaboración: Las aplicaciones de Streamlit se pueden compartir fácilmente con miembros del equipo, partes interesadas o clientes a través de un enlace sencillo, permitiendo obtener comentarios e iterar al instante.

Link to this sectionGuía paso a paso para desplegar YOLO11 en una aplicación web de Streamlit#

Ahora que hemos explorado las ventajas de usar Streamlit con YOLO11, veamos cómo ejecutar tareas de visión artificial en tiempo real en un navegador usando Streamlit con YOLO11.

Link to this sectionInstalación del paquete de Python de Ultralytics#

El primer paso es instalar el paquete de Python de Ultralytics. Esto se puede hacer utilizando el siguiente comando:

Una vez instalado, YOLO11 está listo para usarse sin ninguna configuración complicada. Si encuentras algún problema al instalar los paquetes necesarios, puedes consultar nuestra Guía de problemas comunes para obtener consejos de solución de problemas y soluciones.

Link to this sectionLanzamiento de la aplicación de Streamlit con YOLO11#

Normalmente, necesitarías desarrollar un script de Python usando componentes de Streamlit para ejecutar YOLO11. Sin embargo, Ultralytics ofrece una forma sencilla de ejecutar YOLO11 con Streamlit.

Ejecutar el siguiente script de Python lanzará instantáneamente la aplicación de Streamlit en tu navegador web predeterminado:

No se necesita configuración adicional. La interfaz de la aplicación de Streamlit incluye una sección de carga para imágenes y vídeos, un menú desplegable para seleccionar la variante del modelo YOLO11 que te interesa y deslizadores para ajustar la confianza de la detección. Todo está perfectamente organizado, lo que permite a los usuarios ejecutar inferencias sin esfuerzo sin escribir código adicional.

Link to this sectionEjecución de inferencias utilizando YOLO11 en la aplicación de Streamlit#

Ahora que la aplicación de Streamlit se está ejecutando en tu navegador web, exploremos cómo utilizarla para ejecutar inferencias con YOLO11.

Por ejemplo, supongamos que queremos analizar un archivo de vídeo para la detección de objetos. Estos son los pasos para cargar un archivo, seleccionar un modelo y ver los resultados en tiempo real:

• Cargar un archivo de vídeo: Selecciona "video" en el menú desplegable de configuración del usuario, lo que indica a la aplicación que procese un archivo pregrabado en lugar de la señal de la webcam.
• Elegir un modelo YOLO11: Selecciona "YOLO11l" en el menú desplegable de modelos para la detección de objetos utilizando un modelo YOLO11 grande.
• Iniciar el proceso de detección: Haz clic en "Start", permitiendo que YOLO11 analice el vídeo fotograma a fotograma y detecte objetos en tiempo real.
• Ver el vídeo procesado: Observa cómo aparece el vídeo en la pantalla con actualizaciones en vivo, mostrando los objetos detectados con cajas delimitadoras.
• Interactuar con los resultados en Streamlit: Utiliza la interfaz para ajustar la configuración o analizar las detecciones, todo sin configuración adicional ni programación.

Fig 3. La interfaz de la aplicación Streamlit de Ultralytics YOLO.

Link to this sectionCasos de uso utilizando Streamlit y YOLO11#

Hemos visto cómo Streamlit es excelente para crear prototipos, herramientas de investigación y aplicaciones de tamaño pequeño a mediano. Ofrece una forma sencilla de desplegar modelos de IA sin un desarrollo front-end complejo.

Sin embargo, ejecutar YOLO11 con Streamlit no siempre es una solución lista para usar, a menos que utilices la aplicación Streamlit de Ultralytics YOLO que configuramos en los pasos anteriores. En la mayoría de los casos, se requiere algo de trabajo de desarrollo para personalizar la aplicación y adaptarla a necesidades específicas. Si bien Streamlit simplifica el despliegue, aún tendrás que configurar los componentes necesarios para garantizar que YOLO11 funcione sin problemas.

Exploremos dos ejemplos prácticos de cómo Ultralytics YOLO11 puede desplegarse eficazmente con Streamlit en escenarios del mundo real.

Link to this sectionConteo de objetos para comprobaciones de inventario utilizando YOLO11#

El seguimiento del inventario en tiendas minoristas, almacenes o zonas de suministros de oficina puede llevar mucho tiempo y ser propenso a errores. Usando YOLO11 con Streamlit, las empresas pueden automatizar el conteo de objetos de forma rápida y eficiente, lo que la convierte en una gran opción para una prueba de concepto (PoC) antes de comprometerse con un despliegue a gran escala.

Con esta configuración, los usuarios pueden cargar una imagen o utilizar una señal de cámara en vivo, y YOLO11 puede ayudar a detectar y contar objetos al instante. El conteo en tiempo real se puede mostrar en la interfaz de Streamlit, proporcionando una manera fácil de monitorear los niveles de existencias sin esfuerzo manual.

Por ejemplo, el propietario de una tienda puede escanear un estante y ver inmediatamente cuántas botellas, cajas o productos empaquetados hay presentes sin tener que contarlos manualmente. Al aprovechar YOLO11 y Streamlit, las empresas pueden reducir el trabajo manual, mejorar la precisión y explorar la automatización con una inversión mínima.

Fig 4. Detección de botellas en una nevera usando YOLO11.

Link to this sectionMejora de la seguridad con YOLO11 y Streamlit#

Mantener seguras las áreas restringidas en oficinas, almacenes o lugares de eventos puede ser difícil, especialmente con el monitoreo manual. Al usar YOLO11 con Streamlit, las empresas pueden configurar un sistema de seguridad simple impulsado por IA para detectar accesos no autorizados en tiempo real.

Se puede conectar una señal de cámara a la interfaz de Streamlit, donde se utiliza YOLO11 para identificar y rastrear a las personas que entran en zonas restringidas. Si se detecta a una persona no autorizada, el sistema puede activar una alerta o registrar el evento para su revisión.

Por ejemplo, un gerente de almacén puede monitorear el acceso a áreas de almacenamiento de alta seguridad, o una oficina puede realizar un seguimiento de los movimientos en secciones restringidas sin necesidad de una supervisión constante.

Este puede ser un proyecto revelador para las empresas que desean explorar el monitoreo de seguridad basado en visión por IA antes de comprometerse con un sistema más grande y totalmente automatizado. Al integrar YOLO11 con Streamlit, las empresas pueden mejorar la seguridad, minimizar el monitoreo manual y responder al acceso no autorizado de manera más eficaz.

Link to this sectionConsejos para monitorear una aplicación de IA interactiva con Streamlit#

El uso de herramientas como Streamlit para implementar modelos de visión artificial ayuda a crear una experiencia interactiva y fácil de usar. Sin embargo, después de configurar la interfaz en vivo, es importante asegurarse de que el sistema funcione de manera eficiente y entregue resultados precisos a lo largo del tiempo.

Aquí hay algunos factores clave a considerar después del despliegue:

• Monitoreo regular: Rastrea la precisión de la detección, la velocidad de inferencia y el uso de recursos. Ajusta los parámetros del modelo o actualiza el hardware si el rendimiento disminuye.
• Gestión de múltiples usuarios y escalabilidad: A medida que crece la demanda de los usuarios, optimizar la infraestructura es clave para mantener el rendimiento. Las plataformas en la nube y las soluciones de despliegue escalables ayudan a garantizar un funcionamiento sin problemas.
• Mantener el modelo actualizado: Mantener el modelo y las bibliotecas actualizados mejora la precisión, la seguridad y el acceso a nuevas funcionalidades.

Link to this sectionConclusiones clave#

Ultralytics simplifica el despliegue de YOLO11 con una interfaz en vivo de Streamlit lista para usar que se ejecuta con un solo comando: no se requiere programación. Esto permite a los usuarios empezar a utilizar la detección de objetos en tiempo real al instante.

La interfaz también incluye personalización integrada, lo que permite a los usuarios cambiar de modelo, ajustar la precisión de la detección y filtrar objetos con facilidad. Todo se gestiona dentro de una interfaz sencilla y fácil de usar, eliminando la necesidad de desarrollo manual de la interfaz de usuario. Al combinar

las capacidades de YOLO11 con la facilidad de despliegue de Streamlit, las empresas y los desarrolladores pueden prototipar, probar y refinar rápidamente aplicaciones impulsadas por IA.

Forma parte de nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre IA. Echa un vistazo a nuestras páginas de soluciones para aprender más sobre innovaciones como la IA en la fabricación y la visión artificial en la sanidad. Consulta nuestras opciones de licencia y ¡empieza hoy mismo!