Exécute une application IA interactive avec Streamlit et Ultralytics YOLO11

Les modèles de vision par ordinateur sont des outils d'IA percutants qui permettent aux machines d'interpréter et d'analyser des données visuelles, en effectuant des tâches comme la détection d'objets, la classification d'images et la segmentation d'instances avec une grande précision. Cependant, ils nécessitent parfois des compétences techniques supplémentaires, comme en développement web ou en applications mobiles, pour être déployés et rendus accessibles à un public plus large.

Prends Ultralytics YOLO11 par exemple. C'est un modèle qui prend en charge diverses tâches et qui est utile pour un large éventail d'applications. Cependant, sans connaissances techniques en front-end, créer et déployer une interface conviviale pour une interaction fluide peut sembler un peu complexe pour certains ingénieurs IA.

Streamlit est un framework open-source qui vise à simplifier ce processus. C'est un outil basé sur Python pour construire des applications interactives sans développement front-end complexe. Associé à YOLO11, il permet aux utilisateurs de télécharger des images, de traiter des vidéos et de visualiser les résultats en temps réel avec un effort minimal.

Ultralytics va encore plus loin avec sa solution d'inférence en direct (Live Inference), rendant l'intégration de Streamlit encore plus facile. Avec une seule commande, tu peux lancer une application Streamlit pour YOLO11 pré-construite, éliminant ainsi le besoin de configuration manuelle et de codage.

Dans cet article, nous allons voir comment configurer et exécuter YOLO11 en utilisant la solution d'inférence en direct d'Ultralytics avec Streamlit, rendant le déploiement de l'IA en temps réel plus rapide et plus accessible.

Link to this sectionQu'est-ce que Streamlit ?#

Streamlit est un framework Python qui simplifie la création d'applications web interactives. Les développeurs IA peuvent créer des applications propulsées par l'IA sans avoir à gérer les complexités du développement front-end.

Il est conçu pour fonctionner parfaitement avec les modèles d'IA et de machine learning. Avec seulement quelques lignes de Python, les développeurs peuvent créer une interface où les utilisateurs peuvent télécharger des images, traiter des vidéos et interagir avec des modèles d'IA.

Fig 1. Fonctionnalités clés de Streamlit. Image de l'auteur.

L'une de ses fonctionnalités clés est le rendu dynamique. Lorsque les utilisateurs apportent des modifications, l'application se met à jour automatiquement sans nécessiter de rechargement manuel de la page.

De plus, comme il est léger et facile à utiliser, Streamlit fonctionne efficacement à la fois sur des machines locales et des plateformes cloud. Cela en fait un excellent choix pour déployer des applications d'IA, partager des modèles avec d'autres et offrir une expérience utilisateur intuitive et interactive.

Link to this sectionUltralytics YOLO11 : Un modèle de vision par IA polyvalent#

Avant de plonger dans la façon d'exécuter des inférences en direct avec Ultralytics YOLO11 dans une application Streamlit, examinons de plus près ce qui rend YOLO11 si fiable.

Ultralytics YOLO11 est un modèle conçu pour des tâches de vision par ordinateur en temps réel telles que la détection d'objets, la segmentation d'instances et l'estimation de pose. Il offre des performances à haute vitesse avec une précision impressionnante.

Fig 2. Un exemple d'utilisation de YOLO11 pour la détection d'objets.

L'un des plus grands avantages de YOLO11 est sa facilité d'utilisation. Il n'y a pas besoin de configurations complexes ; les développeurs peuvent installer le package Python Ultralytics et commencer à faire des prédictions avec seulement quelques lignes de code.

Le package Python Ultralytics offre une gamme de fonctionnalités, permettant aux utilisateurs d'ajuster les modèles et de modifier les paramètres de détection. Il aide également à optimiser les performances sur différents appareils pour un déploiement plus fluide.

Au-delà de la flexibilité, le package Python Ultralytics prend en charge des intégrations sur plusieurs plateformes, incluant les périphériques edge, les environnements cloud et les systèmes équipés de GPU NVIDIA. Qu'il soit déployé sur un petit appareil embarqué ou un serveur cloud à grande échelle, YOLO11 s'adapte sans effort, rendant la vision par IA avancée plus accessible que jamais.

Link to this sectionAvantages de l'utilisation de Streamlit avec Ultralytics YOLO11#

Tu te demandes peut-être comment savoir si Streamlit est la bonne option de déploiement pour toi ? Si tu cherches un moyen simple et efficace en code d'exécuter YOLO11 sans avoir à gérer le développement front-end, Streamlit est une bonne option - particulièrement pour le prototypage, les projets de preuve de concept (PoC) ou les déploiements destinés à un petit nombre d'utilisateurs.

Il rationalise le processus de travail avec YOLO11 en éliminant les complexités inutiles et en fournissant une interface intuitive pour l'interaction en temps réel. Voici quelques autres avantages clés :

• Contrôles IA personnalisables : Tu peux ajouter des curseurs, des menus déroulants et des boutons à ton interface, permettant aux utilisateurs d'ajuster facilement les paramètres de détection et de filtrer des objets spécifiques.

• Intégration avec d'autres outils IA : Streamlit prend en charge l'intégration avec NumPy, OpenCV, Matplotlib et d'autres bibliothèques de machine learning, améliorant ainsi les capacités de ton flux de travail IA.

• Visualisation de données interactive : Le support intégré pour les graphiques et les diagrammes permet aux utilisateurs de visualiser facilement la détection d'objets, les résultats de segmentation ou les informations de suivi.

• Facilitant la collaboration : Les applications Streamlit peuvent être facilement partagées avec les membres de l'équipe, les parties prenantes ou les clients via un simple lien, permettant un retour d'information instantané et une itération rapide.

Link to this sectionGuide étape par étape pour déployer YOLO11 dans une application web Streamlit#

Maintenant que nous avons exploré les avantages de l'utilisation de Streamlit avec YOLO11, voyons comment exécuter des tâches de vision par ordinateur en temps réel dans un navigateur en utilisant Streamlit avec YOLO11.

Link to this sectionInstallation du package Python Ultralytics#

La première étape consiste à installer le package Python Ultralytics. Cela peut être fait en utilisant la commande suivante :

Une fois installé, YOLO11 est prêt à l'emploi sans aucune configuration compliquée. Si tu rencontres des problèmes lors de l'installation des packages requis, tu peux te référer à notre Guide des problèmes courants pour des conseils de dépannage et des solutions.

Link to this sectionLancement de l'application Streamlit avec YOLO11#

Normalement, tu aurais besoin de développer un script Python utilisant les composants de Streamlit pour exécuter YOLO11. Cependant, Ultralytics fournit un moyen simple d'exécuter YOLO11 avec Streamlit.

L'exécution du script Python suivant lancera instantanément l'application Streamlit dans ton navigateur web par défaut :

Aucune configuration supplémentaire n'est nécessaire. L'interface de l'application Streamlit comprend une section de téléchargement pour les images et les vidéos, un menu déroulant pour sélectionner la variante du modèle YOLO11 qui t'intéresse, et des curseurs pour ajuster la confiance de la détection. Tout est soigneusement organisé, permettant aux utilisateurs d'exécuter des inférences sans effort sans écrire de code supplémentaire.

Link to this sectionExécution d'inférences avec YOLO11 sur l'application Streamlit#

Maintenant que l'application Streamlit fonctionne dans ton navigateur web, explorons comment l'utiliser pour exécuter des inférences avec YOLO11.

Par exemple, disons que nous voulons analyser un fichier vidéo pour la détection d'objets. Voici les étapes pour télécharger un fichier, sélectionner un modèle et voir les résultats en temps réel :

• Télécharger un fichier vidéo : Sélectionne "video" dans le menu déroulant de configuration utilisateur, ce qui indique à l'application de traiter un fichier pré-enregistré au lieu d'un flux de webcam.
• Choisir un modèle YOLO11 : Sélectionne "YOLO11l" dans le menu déroulant du modèle pour la détection d'objets en utilisant un grand modèle YOLO11.
• Démarrer le processus de détection : Clique sur "Start", permettant à YOLO11 d'analyser la vidéo image par image et de détecter les objets en temps réel.
• Voir la vidéo traitée : Regarde la vidéo apparaître sur l'écran avec des mises à jour en direct, affichant les objets détectés avec des boîtes englobantes.
• Interagir avec les résultats dans Streamlit : Utilise l'interface pour ajuster les paramètres ou analyser les détections, tout cela sans configuration ou codage supplémentaire.

Fig 3. L'interface de l'application Ultralytics YOLO Streamlit.

Link to this sectionCas d'utilisation utilisant Streamlit et YOLO11#

Nous avons vu que Streamlit est excellent pour créer des prototypes, des outils de recherche et des applications de petite à moyenne taille. Il offre un moyen simple de déployer des modèles d'IA sans développement front-end complexe.

Cependant, exécuter YOLO11 avec Streamlit n'est pas toujours une solution prête à l'emploi - à moins d'utiliser l'application Ultralytics YOLO Streamlit que nous avons configurée dans les étapes ci-dessus. Dans la plupart des cas, un travail de développement est nécessaire pour personnaliser l'application afin de répondre à des besoins spécifiques. Bien que Streamlit simplifie le déploiement, tu devras toujours configurer les composants nécessaires pour t'assurer que YOLO11 fonctionne sans problème.

Explorons deux exemples pratiques sur la façon dont Ultralytics YOLO11 peut être efficacement déployé avec Streamlit dans des scénarios réels.

Link to this sectionCompter des objets pour les inventaires en utilisant YOLO11#

Garder une trace des stocks dans les magasins de détail, les salles de stockage ou les zones de fournitures de bureau peut prendre du temps et être sujet aux erreurs. En utilisant YOLO11 avec Streamlit, les entreprises peuvent automatiser le comptage d'objets rapidement et efficacement, ce qui en fait une excellente option pour une preuve de concept (PoC) avant de s'engager dans un déploiement à grande échelle.

Avec cette configuration, les utilisateurs peuvent télécharger une image ou utiliser un flux de caméra en direct, et YOLO11 peut aider à détecter et compter instantanément les objets. Le comptage en temps réel peut être affiché dans l'interface Streamlit, offrant un moyen facile de surveiller les niveaux de stock sans effort manuel.

Par exemple, un propriétaire de magasin peut scanner une étagère et voir immédiatement combien de bouteilles, boîtes ou produits emballés sont présents sans avoir à les compter manuellement. En tirant parti de YOLO11 et Streamlit, les entreprises peuvent réduire le travail manuel, améliorer la précision et explorer l'automatisation avec un investissement minimal.

Fig 4. Détection de bouteilles dans un réfrigérateur en utilisant YOLO11.

Link to this sectionRenforcer la sécurité avec YOLO11 et Streamlit#

Maintenir la sécurité des zones restreintes dans les bureaux, entrepôts ou lieux d'événements peut être difficile, surtout avec une surveillance manuelle. En utilisant YOLO11 avec Streamlit, les entreprises peuvent mettre en place un système de sécurité simple propulsé par l'IA pour détecter les accès non autorisés en temps réel.

Un flux de caméra peut être connecté à l'interface Streamlit, où YOLO11 est utilisé pour identifier et suivre les personnes entrant dans des zones restreintes. Si une personne non autorisée est détectée, le système peut déclencher une alerte ou enregistrer l'événement pour examen.

Par exemple, un gestionnaire d'entrepôt peut surveiller l'accès aux zones de stockage hautement sécurisées, ou un bureau peut suivre les mouvements dans des sections restreintes sans avoir besoin d'une surveillance constante.

Cela peut être un projet révélateur pour les entreprises souhaitant explorer la surveillance de sécurité pilotée par vision IA avant de s'engager dans un système plus large et entièrement automatisé. En intégrant YOLO11 avec Streamlit, les entreprises peuvent renforcer la sécurité, minimiser la surveillance manuelle et répondre aux accès non autorisés plus efficacement.

Link to this sectionConseils pour surveiller une application IA interactive avec Streamlit#

Utiliser des outils comme Streamlit pour déployer des modèles de vision par ordinateur aide à créer une expérience interactive et conviviale. Cependant, après avoir configuré l'interface en direct, il est important de s'assurer que le système fonctionne efficacement et fournit des résultats précis au fil du temps.

Voici quelques facteurs clés à considérer après le déploiement :

• Surveillance régulière : Suis la précision de la détection, la vitesse d'inférence et l'utilisation des ressources. Ajuste les paramètres du modèle ou mets à niveau le matériel si les performances diminuent.
• Gestion de plusieurs utilisateurs et scalabilité : À mesure que la demande des utilisateurs augmente, l'optimisation de l'infrastructure est essentielle pour maintenir les performances. Les plateformes cloud et les solutions de déploiement évolutives aident à assurer un fonctionnement fluide.
• Maintenir le modèle à jour : Garder le modèle et les bibliothèques à jour améliore la précision, la sécurité et l'accès aux nouvelles fonctionnalités.

Link to this sectionPoints clés#

Ultralytics simplifie le déploiement de YOLO11 avec une interface en direct Streamlit prête à l'emploi qui fonctionne avec une seule commande - aucun codage requis. Cela permet aux utilisateurs de commencer à utiliser la détection d'objets en temps réel instantanément.

L'interface comprend également une personnalisation intégrée, permettant aux utilisateurs de changer de modèle, d'ajuster la précision de la détection et de filtrer facilement les objets. Tout est géré au sein d'une interface simple et conviviale, éliminant le besoin de développement d'interface utilisateur manuelle. En combinant

les capacités de YOLO11 avec la facilité de déploiement de Streamlit, les entreprises et les développeurs peuvent rapidement prototyper, tester et affiner des applications pilotées par l'IA.

Rejoins notre communauté et explore notre référentiel GitHub pour plus d'informations sur l'IA. Jette un œil à nos pages de solutions pour en savoir plus sur des innovations comme l'IA dans la fabrication et la vision par ordinateur dans la santé. Découvre nos options de licence et commence dès aujourd'hui !