Exécute une application d’IA interactive avec Streamlit et Ultralytics YOLO11

Les modèles de vision par ordinateur sont des outils d’IA puissants qui permettent aux machines d’interpréter et d’analyser des données visuelles et d’effectuer des tâches comme la détection d’objets, la classification d’images et la segmentation d’instances avec une grande précision. Toutefois, leur déploiement et leur mise à disposition d’un public plus large peuvent parfois nécessiter des compétences techniques supplémentaires, notamment en développement web ou d’applications mobiles.

Prenons Ultralytics YOLO11 comme exemple. Ce modèle prend en charge différentes tâches et convient à de nombreuses applications. Toutefois, sans quelques connaissances techniques en développement front-end, la création et le déploiement d’une interface conviviale peuvent sembler un peu difficiles à certains ingénieurs en IA.

Streamlit est un framework open source qui vise à simplifier ce processus. Cet outil basé sur Python permet de créer des applications interactives sans développement front-end complexe. Associé à Ultralytics YOLO11, il permet aux utilisateurs de téléverser des images, de traiter des vidéos et de visualiser les résultats en temps réel avec un minimum d’efforts.

Ultralytics va encore plus loin avec sa solution Live Inference, qui simplifie davantage l’intégration de Streamlit. Une seule commande suffit pour lancer une application Streamlit pour YOLO11 préconfigurée, sans configuration ni codage manuels.

Dans cet article, nous allons voir comment configurer et exécuter YOLO11 avec la solution Live Inference d’Ultralytics et Streamlit, afin de rendre le déploiement de l’IA en temps réel plus rapide et plus accessible.

Qu’est-ce que Streamlit ?#

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

Il est conçu pour fonctionner efficacement avec les modèles d’IA et d’apprentissage automatique. En quelques lignes de Python, les développeurs peuvent créer une interface permettant aux utilisateurs de téléverser des images, de traiter des vidéos et d’interagir avec des modèles d’IA.

Fig. 1. Principales fonctionnalités de Streamlit. Image de l’auteur.

L’une de ses principales fonctionnalités est le rendu dynamique. Lorsque les utilisateurs apportent des modifications, l’application se met à jour automatiquement sans qu’il soit nécessaire de recharger manuellement la page.

De plus, comme Streamlit est léger et facile à utiliser, il fonctionne efficacement aussi bien sur les machines locales que sur les plateformes cloud. C’est donc un excellent choix pour déployer des applications d’IA, partager des modèles et offrir une expérience utilisateur intuitive et interactive.

Ultralytics YOLO11 : un modèle polyvalent d’IA visuelle#

Avant d’examiner comment exécuter des inférences en direct avec Ultralytics YOLO11 dans une application Streamlit, voyons de plus près ce qui rend YOLO11 si fiable.

Ultralytics YOLO11 est un modèle conçu pour les tâches de vision par ordinateur en temps réel, comme la détection d’objets, la segmentation d’instances et l’estimation de pose. Il offre des performances rapides et une grande précision.

Fig. 2. Exemple d’utilisation de YOLO11 pour la détection d’objets.

L’un des principaux avantages de YOLO11 est sa facilité d’utilisation. Aucune configuration complexe n’est nécessaire : les développeurs peuvent installer le package Python Ultralytics et commencer à effectuer des prédictions avec seulement quelques lignes de code.

Le package Python Ultralytics propose de nombreuses fonctionnalités, qui permettent aux utilisateurs d’affiner les modèles et d’ajuster les paramètres de détection. Il contribue également à optimiser les performances sur différents appareils pour faciliter le déploiement.

En plus de sa polyvalence, le package Python Ultralytics prend en charge des intégrations sur plusieurs plateformes, notamment les appareils périphériques, les environnements cloud et les systèmes équipés de GPU NVIDIA. Qu’il soit déployé sur un petit appareil embarqué ou sur un serveur cloud à grande échelle, YOLO11 s’adapte au matériel cible et rend la Vision AI avancée plus accessible.

Avantages 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 peu gourmand en code d’exécuter Ultralytics YOLO11 sans t’occuper du développement front-end, Streamlit est une bonne option, en particulier pour le prototypage, les projets de validation de concept (PoC) ou les déploiements destinés à un nombre restreint d’utilisateurs.

Streamlit simplifie l’utilisation d’Ultralytics YOLO11 en éliminant toute complexité superflue et en fournissant une interface intuitive pour les interactions en temps réel. Voici quelques autres avantages clés :

• Commandes d’IA personnalisables : Tu peux ajouter des curseurs, des menus déroulants et des boutons à ton interface, afin de permettre aux utilisateurs d’affiner facilement les paramètres de détection et de filtrer certains objets.
• Intégration avec d’autres outils d’IA : Streamlit prend en charge l’intégration avec NumPy, OpenCV, Matplotlib et d’autres bibliothèques de machine learning, ce qui enrichit les possibilités des workflows d’IA.
• Visualisation interactive des données : La prise en charge intégrée des diagrammes et des graphiques permet aux utilisateurs de visualiser les résultats de détection d’objets et de segmentation, ainsi que les informations de suivi.
• Facile à utiliser en équipe : Les applications Streamlit se partagent facilement avec les membres de l’équipe, les parties prenantes ou les clients au moyen d’un simple lien, ce qui permet de recueillir rapidement des commentaires et d’itérer.

Guide étape par étape pour déployer Ultralytics YOLO11 dans une application web Streamlit#

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

Installation du package Python Ultralytics#

La première étape consiste à installer le package Python Ultralytics. Pour cela, exécute la commande suivante :

pip install ultralytics

Une fois installé, YOLO11 est prêt à l’emploi sans configuration compliquée. Si tu rencontres des problèmes lors de l’installation des packages requis, consulte notre guide des problèmes courants pour trouver des conseils de dépannage et des solutions.

Lancement de l’application Streamlit avec Ultralytics YOLO11#

Normalement, tu devrais développer un script Python utilisant les composants Streamlit pour exécuter YOLO11. Ultralytics propose toutefois un moyen simple d’exécuter YOLO11 avec Streamlit.

L’exécution du script Python suivant avec streamlit run path/to/file.py lancera l’application Streamlit dans ton navigateur Web par défaut :

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # tu peux utiliser n'importe quel modèle pris en charge par Ultralytics, ou un modèle entraîné sur mesure
)

inf.inference()

Aucune configuration supplémentaire n’est nécessaire. L’interface de l’application Streamlit comprend une section de téléversement d’images et de vidéos, un menu déroulant pour sélectionner la variante du modèle Ultralytics YOLO11 qui t’intéresse et des curseurs pour régler le seuil de confiance de la détection. Tout est organisé clairement, ce qui permet aux utilisateurs d’effectuer des inférences sans écrire de code supplémentaire.

Exécution d’inférences avec Ultralytics YOLO11 dans l’application Streamlit#

Maintenant que l’application Streamlit est lancée dans ton navigateur web, voyons comment l’utiliser pour effectuer des inférences avec Ultralytics YOLO11.

Par exemple, supposons que nous voulions analyser un fichier vidéo pour détecter des objets. Voici les étapes à suivre pour importer un fichier, sélectionner un modèle et afficher les résultats en temps réel :

• Importer un fichier vidéo : Sélectionne « vidéo » dans le menu déroulant de configuration utilisateur pour indiquer à l’application de traiter un fichier préenregistré plutôt que le flux d’une webcam.
• Choisir un modèle YOLO11 : Sélectionne « YOLO11l » dans le menu déroulant des modèles pour effectuer une détection d’objets avec un grand modèle YOLO11.
• Lancer le processus de détection : Clique sur « Start » pour permettre à Ultralytics YOLO11 d’analyser la vidéo image par image et de détecter des objets en temps réel.
• Afficher la vidéo traitée : Regarde la vidéo s’afficher à l’écran avec des mises à jour en direct et des cadres englobants autour des objets détectés.
• Interagir avec les résultats dans Streamlit : Utilise l’interface pour ajuster les paramètres ou analyser les détections, sans configuration ni programmation supplémentaire.

Fig. 3. Interface de l’application Ultralytics YOLO Streamlit.

Cas d’utilisation de Streamlit et d’Ultralytics YOLO11#

Nous avons vu que Streamlit est idéal pour créer des prototypes, des outils de recherche et des applications de petite ou moyenne envergure. 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, sauf si tu utilises l’application Ultralytics YOLO Streamlit que nous avons configurée dans les étapes ci-dessus. Dans la plupart des cas, il faut effectuer quelques développements pour adapter l’application à des besoins spécifiques. Streamlit simplifie le déploiement, mais tu dois tout de même configurer les composants nécessaires pour que YOLO11 fonctionne correctement.

Voyons deux exemples concrets de déploiement efficace d’Ultralytics YOLO11 avec Streamlit dans des situations réelles.

Comptage d’objets pour le contrôle des stocks avec Ultralytics YOLO11#

Suivre les stocks dans les magasins, les entrepôts ou les réserves de fournitures de bureau peut prendre du temps et être source d’erreurs. Avec Ultralytics YOLO11 et Streamlit, les entreprises peuvent automatiser rapidement et efficacement le comptage des objets, ce qui en fait une excellente option pour une validation de concept (PoC) avant de s’engager dans un déploiement à grande échelle.

Avec cette configuration, les utilisateurs peuvent importer une image ou utiliser un flux de caméra en direct, et Ultralytics YOLO11 peut détecter et compter les objets instantanément. Le nombre obtenu en temps réel peut s’afficher dans l’interface Streamlit, ce qui permet de surveiller facilement les niveaux de stock sans intervention manuelle.

Par exemple, le gérant d’un magasin peut scanner un rayon et voir immédiatement le nombre de bouteilles, de boîtes ou de produits emballés, sans avoir à les compter manuellement. En tirant parti d’Ultralytics YOLO11 et de 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 avec Ultralytics YOLO11.

Renforcer la sécurité avec Ultralytics YOLO11 et Streamlit#

Sécuriser les zones à accès restreint dans des bureaux, des entrepôts ou des lieux événementiels peut être difficile, surtout avec une surveillance manuelle. Avec Ultralytics YOLO11 et Streamlit, les entreprises peuvent mettre en place un simple système de sécurité basé sur l’IA pour détecter les accès non autorisés en temps réel.

Un flux de caméra peut être connecté à l’interface Streamlit, où Ultralytics YOLO11 sert à identifier et à suivre les personnes qui pénètrent dans des zones à accès restreint. Si une personne non autorisée est détectée, le système peut déclencher une alerte ou consigner l’événement pour examen.

Par exemple, un responsable d’entrepôt peut surveiller l’accès aux zones de stockage hautement sécurisées, ou un bureau peut suivre les déplacements dans les espaces à accès restreint sans nécessiter une surveillance constante.

Ce projet pilote peut être utile aux entreprises qui souhaitent explorer la surveillance de sécurité basée sur la Vision AI avant de s’engager dans un système entièrement automatisé de plus grande envergure. En intégrant Ultralytics YOLO11 à Streamlit, les entreprises peuvent renforcer la sécurité, réduire la surveillance manuelle et réagir plus efficacement aux accès non autorisés.

Conseils pour surveiller une application d’IA interactive avec Streamlit#

Utiliser des outils comme Streamlit pour déployer des modèles de vision par ordinateur contribue à créer une expérience interactive et conviviale. Cependant, après avoir configuré l’interface en direct, il est important de veiller à ce que le système fonctionne efficacement et fournisse des résultats précis dans la durée.

Voici quelques facteurs clés à prendre en compte après le déploiement :

• Surveillance régulière : Suis la précision de 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 évolutivité : 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 contribuent à assurer un fonctionnement fluide.
• Maintenir le modèle à jour : Mettre à jour le modèle et les bibliothèques améliore la précision, la sécurité et l’accès aux nouvelles fonctionnalités.

Points clés à retenir#

Ultralytics simplifie le déploiement de YOLO11 grâce à une interface Streamlit en direct, prête à l’emploi et exécutable avec une seule commande, sans programmation. Les utilisateurs peuvent ainsi se lancer immédiatement dans la détection d’objets en temps réel.

L’interface intègre également des options de personnalisation qui permettent aux utilisateurs de changer de modèle, d’ajuster les seuils de confiance et de filtrer facilement les objets. Tout se gère dans une interface simple et conviviale, sans qu’il soit nécessaire de développer manuellement l’interface utilisateur.

En combinant les capacités d’Ultralytics YOLO11 et la simplicité de déploiement de Streamlit, les entreprises et les développeurs peuvent rapidement créer des prototypes, tester et affiner des applications basées sur l’IA.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA. Consulte nos pages de solutions pour découvrir des innovations comme l’IA dans le secteur manufacturier et la vision par ordinateur dans le domaine de la santé. Découvre nos options de licence et lance-toi dès aujourd’hui !