Ejecuta una aplicación de IA interactiva con Streamlit y Ultralytics YOLO11

Los modelos de visión artificial son herramientas de IA de gran impacto que permiten a las máquinas interpretar y analizar datos visuales, realizando tareas como detección de objetos, clasificación de imágenes y segmentación de instancias con gran precisión. Sin embargo, a veces pueden requerir conocimientos técnicos adicionales, como desarrollo web o desarrollo de aplicaciones móviles, para implementarlos y hacerlos accesibles a un público más amplio.

Tomemos Ultralytics YOLO11 como ejemplo. Es un modelo compatible con diversas tareas y útil en una amplia variedad de aplicaciones. Sin embargo, sin ciertos conocimientos técnicos de desarrollo front-end, crear e implementar una interfaz fácil de usar que permita una interacción fluida puede resultar algo complicado para algunos ingenieros de IA.

Streamlit es un framework de código abierto cuyo objetivo es simplificar este proceso. Es una herramienta basada en Python para crear aplicaciones interactivas sin necesidad de un desarrollo front-end complejo. Al combinarlo con Ultralytics YOLO11, permite a los usuarios cargar imágenes, procesar vídeos y visualizar resultados en tiempo real con un esfuerzo mínimo.

Ultralytics lleva este proceso un paso más allá con su solución Live Inference, que facilita aún más la integración con Streamlit. Con un solo comando, los usuarios pueden iniciar una aplicación de Streamlit para YOLO11 ya creada, sin necesidad de configurarla ni programarla manualmente.

En este artículo, veremos cómo configurar y ejecutar YOLO11 mediante la solución Live Inference de Ultralytics con Streamlit, haciendo que la implementación de IA en tiempo real sea más rápida y accesible.

¿Qué es Streamlit?#

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

Está diseñado para funcionar a la perfección con modelos de IA y aprendizaje automático. Con solo unas pocas líneas de Python, los desarrolladores pueden crear una interfaz en la que los usuarios carguen imágenes, procesen vídeos e interactúen con modelos de IA.

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

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

Además, como es ligero y fácil de usar, Streamlit funciona de forma eficiente tanto en máquinas locales como en plataformas en la nube. Esto lo convierte en una excelente opción para implementar aplicaciones de IA, compartir modelos con otras personas y ofrecer una experiencia de usuario intuitiva e interactiva.

Ultralytics YOLO11: un modelo versátil de IA de visión#

Antes de profundizar en cómo ejecutar inferencias en directo con Ultralytics YOLO11 en una aplicación de Streamlit, veamos 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 poses. Ofrece un rendimiento de alta velocidad con una precisión impresionante.

Fig. 2. Ejemplo del uso de YOLO11 para la detección de objetos.

Una de las mayores ventajas de YOLO11 es su facilidad de uso. No se necesitan 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 ofrece una amplia variedad de funciones que permiten a los usuarios ajustar modelos y modificar la configuración de detección. También ayuda a optimizar el rendimiento en distintos dispositivos para facilitar la implementación.

Además de su flexibilidad, el paquete de Python de Ultralytics es compatible con integraciones en múltiples plataformas, incluidos dispositivos periféricos, entornos en la nube y sistemas con GPU NVIDIA. Tanto si se implementa en un pequeño dispositivo integrado como 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.

Ventajas de usar Streamlit con Ultralytics YOLO11#

Puede que te preguntes cómo saber si Streamlit es la opción de implementación adecuada para ti. Si buscas una forma sencilla y eficiente en cuanto a código de ejecutar Ultralytics YOLO11 sin ocuparte del desarrollo front-end, Streamlit es una buena opción, especialmente para prototipos, proyectos de prueba de concepto (PoC) o implementaciones dirigidas a un número reducido de usuarios.

Simplifica el trabajo con Ultralytics YOLO11 al eliminar la complejidad innecesaria y proporcionar una interfaz intuitiva para la interacción en tiempo real. Estas son otras ventajas principales:

• Controles de IA personalizables: Puedes añadir controles deslizantes, 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 de los flujos de trabajo de IA.

• Visualización interactiva de datos: La compatibilidad integrada con gráficos permite a los usuarios visualizar fácilmente la detección de objetos, los resultados de segmentación o la información del seguimiento.

• Facilita la colaboración: Las aplicaciones de Streamlit se pueden compartir fácilmente con miembros del equipo, partes interesadas o clientes mediante un simple enlace, lo que permite obtener comentarios e iterar al instante.

Guía paso a paso para implementar Ultralytics YOLO11 en una aplicación web de Streamlit#

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

Instalación del paquete de Python de Ultralytics#

El primer paso es instalar el paquete de Python de Ultralytics. Puedes hacerlo con el siguiente comando:

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

Inicio de la aplicación de Streamlit con Ultralytics YOLO11#

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

Al ejecutar el siguiente script de Python, la aplicación de Streamlit se iniciará al instante en tu navegador web predeterminado:

No se necesita ninguna configuración adicional. La interfaz de la aplicación de Streamlit incluye una sección para cargar imágenes y vídeos, un menú desplegable para seleccionar la variante del modelo Ultralytics YOLO11 que te interese y controles deslizantes para ajustar la confianza de detección. Todo está organizado de forma clara, lo que permite a los usuarios ejecutar inferencias fácilmente sin escribir código adicional.

Ejecución de inferencias con Ultralytics YOLO11 en la aplicación de Streamlit#

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

Por ejemplo, supongamos que queremos analizar un archivo de vídeo para detectar 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 para indicar a la aplicación que procese un archivo pregrabado en lugar de la señal de una cámara web.
• Elegir un modelo YOLO11: Selecciona «YOLO11l» en el menú desplegable de modelos para detectar objetos usando un modelo YOLO11 grande.
• Iniciar el proceso de detección: Haz clic en «Start» para que Ultralytics YOLO11 analice el vídeo fotograma a fotograma y detecte objetos en tiempo real.
• Ver el vídeo procesado: Observa cómo aparece el vídeo en pantalla con actualizaciones en directo y muestra los objetos detectados mediante cuadros delimitadores.
• Interactuar con los resultados en Streamlit: Usa la interfaz para ajustar la configuración o analizar las detecciones, sin configuraciones ni programación adicionales.

Fig. 3. Interfaz de la aplicación de Streamlit de Ultralytics YOLO.

Casos de uso de Streamlit y Ultralytics YOLO11#

Hemos visto que Streamlit es ideal para crear prototipos, herramientas de investigación y aplicaciones pequeñas o medianas. Ofrece una forma sencilla de implementar 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 de Streamlit de Ultralytics YOLO que hemos configurado en los pasos anteriores. En la mayoría de los casos, se necesita cierto trabajo de desarrollo para personalizar la aplicación y adaptarla a necesidades específicas. Aunque Streamlit simplifica la implementación, tendrás que configurar los componentes necesarios para garantizar que YOLO11 funcione correctamente.

Veamos dos ejemplos prácticos de cómo implementar eficazmente Ultralytics YOLO11 con Streamlit en situaciones reales.

Conteo de objetos para comprobar el inventario con Ultralytics YOLO11#

Controlar el inventario en tiendas, almacenes o zonas de material de oficina puede llevar mucho tiempo y estar sujeto a errores. Al usar Ultralytics YOLO11 con Streamlit, las empresas pueden automatizar el conteo de objetos de forma rápida y eficiente, lo que lo convierte en una excelente opción para una prueba de concepto (PoC) antes de comprometerse con una implementación a gran escala.

Con esta configuración, los usuarios pueden cargar una imagen o usar una señal de cámara en directo, y Ultralytics YOLO11 puede ayudar a detectar y contar objetos al instante. El recuento en tiempo real puede mostrarse en la interfaz de Streamlit, proporcionando una forma sencilla de supervisar los niveles de existencias sin esfuerzo manual.

Por ejemplo, el propietario de una tienda puede escanear una estantería y ver inmediatamente cuántas botellas, cajas o productos envasados hay, sin tener que contarlos manualmente. Al aprovechar Ultralytics 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 un frigorífico mediante Ultralytics YOLO11.

Mejora de la seguridad con Ultralytics YOLO11 y Streamlit#

Mantener seguras las zonas restringidas en oficinas, almacenes o recintos de eventos puede ser difícil, especialmente con una supervisión manual. Al usar Ultralytics YOLO11 con Streamlit, las empresas pueden configurar un sistema de seguridad sencillo basado en IA para detectar accesos no autorizados en tiempo real.

Se puede conectar una señal de cámara a la interfaz de Streamlit, donde Ultralytics YOLO11 se utiliza para identificar y seguir 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 revisarlo.

Por ejemplo, el responsable de un almacén puede supervisar el acceso a zonas de almacenamiento de alta seguridad, o una oficina puede seguir los movimientos en secciones restringidas sin necesidad de una supervisión constante.

Este puede ser un proyecto revelador para las empresas que quieran explorar la supervisión de seguridad basada en IA de visión antes de comprometerse con un sistema más grande y totalmente automatizado. Al integrar Ultralytics YOLO11 con Streamlit, las empresas pueden mejorar la seguridad, reducir la supervisión manual y responder de forma más eficaz a los accesos no autorizados.

Consejos para supervisar una aplicación de IA interactiva con Streamlit#

Usar 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 directo, es importante garantizar que el sistema funcione de forma eficiente y ofrezca resultados precisos con el tiempo.

Estos son algunos factores clave que debes tener en cuenta después de la implementación:

• Supervisión periódica: Controla la precisión de 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 varios usuarios y escalabilidad: A medida que aumenta la demanda de los usuarios, optimizar la infraestructura es fundamental para mantener el rendimiento. Las plataformas en la nube y las soluciones de implementación escalables ayudan a garantizar un funcionamiento fluido.
• Mantener el modelo actualizado: Mantener el modelo y las bibliotecas actualizados mejora la precisión, la seguridad y el acceso a nuevas funciones.

Conclusiones clave#

Ultralytics simplifica la implementación de YOLO11 con una interfaz de Streamlit en directo lista para usar que funciona con un solo comando, sin necesidad de programar. 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 detección y filtrar objetos fácilmente. Todo se gestiona desde una interfaz sencilla y fácil de usar, sin necesidad de desarrollar manualmente la interfaz de usuario. Al combinar

las capacidades de Ultralytics YOLO11 con la facilidad de implementación de Streamlit, las empresas y los desarrolladores pueden crear prototipos, probar y perfeccionar rápidamente aplicaciones basadas en IA.

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