18 mars 2025
Découvrez comment exécuter des inférences YOLO11 dans une interface Streamlit et créez une interface IA interactive pour les tâches de vision par ordinateur sans expertise en codage.
Les modèles de vision par ordinateur sont des outils d'IA percutants qui permettent aux machines d'interpréter et d'analyser les données visuelles, en effectuant des tâches telles que la détection d'objets, la classification d'images et la segmentation d'instances avec une grande précision. Cependant, ils peuvent parfois nécessiter une expertise technique supplémentaire, telle que des compétences en développement web ou en applications mobiles, pour être déployés et rendus accessibles à un public plus large.
Prenons Ultralytics YOLO11, par exemple. C'est un modèle qui prend en charge diverses tâches et qui est utile dans un large éventail d'applications. Cependant, sans une certaine connaissance technique du front-end, la création et le déploiement d'une interface conviviale pour une interaction transparente peuvent sembler un peu difficiles pour certains ingénieurs en IA.
Streamlit est un framework open source qui vise à faciliter ce processus. Il s'agit d'un outil basé sur Python pour créer des applications interactives sans développement front-end complexe. Lorsqu'il est 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 minimum d'effort.
Ultralytics va encore plus loin avec sa solution Live Inference, ce qui rend l'intégration de Streamlit encore plus facile. Avec une seule commande, les utilisateurs peuvent lancer une application Streamlit pré-construite pour YOLO11, éliminant ainsi le besoin d'une configuration et d'un codage manuels.
Dans cet article, nous allons vous expliquer comment configurer et exécuter YOLO11 en utilisant la solution Live Inference d'Ultralytics avec Streamlit, ce qui rend le déploiement de l'IA en temps réel plus rapide et plus accessible.
Streamlit est un framework Python qui simplifie la création d'applications web interactives. Les développeurs d'IA peuvent créer des applications basées sur l'IA sans avoir à se soucier des complexités du développement front-end.
Il est conçu pour fonctionner de manière transparente avec les modèles d'IA et d'apprentissage automatique. 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 les modèles d'IA.
L'une de ses principales caractéristiques est le rendu dynamique. Lorsque les utilisateurs effectuent 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 sur les machines locales et les plateformes cloud. Cela en fait un excellent choix pour déployer des applications d'IA, partager des modèles avec d'autres et fournir une expérience utilisateur intuitive et interactive.
Avant de voir comment 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 les 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.
L'un des principaux avantages de YOLO11 est sa facilité d'utilisation. Il n'est pas nécessaire d'avoir des 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'affiner les modèles et d'ajuster les paramètres de détection. Il permet également d'optimiser les performances sur différents appareils pour un déploiement plus fluide.
Au-delà de la flexibilité, le package Python Ultralytics prend en charge les intégrations sur plusieurs plateformes, y compris les appareils edge, les environnements cloud et les systèmes compatibles avec les GPU NVIDIA. Qu'il soit déployé sur un petit appareil embarqué ou sur un serveur cloud à grande échelle, YOLO11 s'adapte sans effort, rendant l'IA de vision avancée plus accessible que jamais.
Vous vous demandez peut-être comment savoir si Streamlit est la bonne option de déploiement pour vous ? Si vous recherchez un moyen simple et efficace en termes de code pour exécuter YOLO11 sans avoir à vous soucier 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 plus petit nombre d'utilisateurs.
Il rationalise le processus de travail avec YOLO11 en éliminant la complexité inutile et en fournissant une interface intuitive pour l'interaction en temps réel. Voici d'autres avantages clés :
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 à l'aide de Streamlit avec YOLO11.
La première étape consiste à installer le package Python Ultralytics. Ceci peut être fait en utilisant la commande suivante :
Une fois installé, YOLO11 est prêt à être utilisé sans configuration compliquée. Si vous rencontrez des problèmes lors de l'installation des packages requis, vous pouvez consulter notre Guide des problèmes courants pour obtenir des conseils de dépannage et des solutions.
Normalement, vous devriez développer un script Python en utilisant les composants 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 votre 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 vous intéresse, et des curseurs pour ajuster la confiance de la détection. Tout est bien organisé, ce qui permet aux utilisateurs d'exécuter des inférences sans effort sans écrire de code supplémentaire.
Maintenant que l'application Streamlit est en cours d'exécution dans votre 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 à suivre pour télécharger un fichier, sélectionner un modèle et afficher les résultats en temps réel :
Nous avons examiné comment Streamlit est idéal 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 frontal complexe.
Cependant, l'exécution de YOLO11 avec Streamlit n'est pas toujours une solution prête à l'emploi, sauf si vous utilisez l'application Ultralytics YOLO Streamlit que nous avons configurée dans les étapes ci-dessus. Dans la plupart des cas, un certain travail de développement est nécessaire pour personnaliser l'application afin de répondre à des besoins spécifiques. Bien que Streamlit simplifie le déploiement, vous devrez toujours configurer les composants nécessaires pour garantir le bon fonctionnement de YOLO11.
Explorons deux exemples pratiques de la manière dont Ultralytics YOLO11 peut être efficacement déployé avec Streamlit dans des scénarios réels.
Le suivi des stocks dans les magasins de détail, les entrepôts ou les zones de fournitures de bureau peut prendre du temps et être sujet à des 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.
Grâce à cette configuration, les utilisateurs peuvent télécharger une image ou utiliser un flux de caméra en direct, et YOLO11 peut aider à détecter et à compter les objets instantanément. Le nombre 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, de boîtes ou de produits emballés sont présents sans avoir à les compter manuellement. En tirant parti de YOLO11 et de Streamlit, les entreprises peuvent réduire le travail manuel, améliorer la précision et explorer l'automatisation avec un investissement minimal.
Il peut être difficile de sécuriser les zones réglementées dans les bureaux, les entrepôts ou les lieux d'événements, en particulier avec une surveillance manuelle. En utilisant YOLO11 avec Streamlit, les entreprises peuvent mettre en place un système de sécurité simple alimenté 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 les zones réglementées. Si une personne non autorisée est détectée, le système peut déclencher une alerte ou enregistrer l'événement pour examen.
Par exemple, un responsable d'entrepôt peut surveiller l'accès aux zones de stockage de haute sécurité, ou un bureau peut suivre les mouvements dans les sections réglementées sans avoir besoin d'une supervision constante.
Cela peut être un projet révélateur pour les entreprises souhaitant explorer la surveillance de sécurité basée sur la Vision IA avant de s'engager dans un système plus vaste et entièrement automatisé. En intégrant YOLO11 à Streamlit, les entreprises peuvent améliorer la sécurité, minimiser la surveillance manuelle et réagir plus efficacement aux accès non autorisés.
L'utilisation d'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 s'assurer que le système fonctionne efficacement et fournit des résultats précis au fil du temps.
Voici quelques facteurs clés à prendre en compte après le déploiement :
Ultralytics simplifie le déploiement de YOLO11 avec une interface live Streamlit prête à l'emploi qui s'exécute 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 dans une interface simple et conviviale, éliminant ainsi le besoin de développement manuel de l'interface utilisateur. En combinant
Les capacités de YOLO11 avec la facilité de déploiement de Streamlit, les entreprises et les développeurs peuvent rapidement prototyper, tester et affiner les applications basées sur l'IA.
Rejoignez notre communauté et explorez notre dépôt GitHub pour plus d'informations sur l'IA. Consultez nos pages de solutions pour en savoir plus sur les innovations telles que l'IA dans la fabrication et la vision par ordinateur dans le secteur de la santé. Consultez nos options de licence et lancez-vous dès aujourd'hui !
.webp)