Exécute une application 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, en réalisant des tâches telles que 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, telles que le développement web ou des compétences en applications mobiles, pour être déployés et rendus accessibles à un plus large public.

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

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

Ultralytics va encore plus loin avec sa solution Live Inference, rendant l'intégration de Streamlit encore plus facile. En 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.

Qu'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.

Ultralytics 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 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.

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 paquet Python d'Ultralytics prend en charge les intégrations sur de multiples plateformes, y compris les appareils de périphérie (edge), 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 sans effort, rendant l'IA de vision avancée plus accessible que jamais.

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 recherches un moyen simple et efficace 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 preuve de concept (PoC) ou les déploiements destinés à un plus petit nombre d'utilisateurs.

Il simplifie le processus d'utilisation d'Ultralytics YOLO11 en éliminant la complexité inutile et en fournissant une interface intuitive pour l'interaction en temps réel. Voici d'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.

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 en utilisant Streamlit avec YOLO11.

Installation du package Python Ultralytics#

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

Une fois installé, YOLO11 est prêt à être utilisé sans configuration compliquée. Si tu rencontres des problèmes lors de l'installation des paquets requis, tu peux consulter notre Guide des problèmes courants pour obtenir des conseils de dépannage et des solutions.

Lancement de l'application Streamlit avec Ultralytics 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 de modèle Ultralytics YOLO11 qui t'intéresse, et des curseurs pour ajuster la confiance de détection. Tout est soigneusement organisé, permettant aux utilisateurs d'exécuter des inférences sans effort et sans écrire de code supplémentaire.

Exécution d'inférences à l'aide d'Ultralytics YOLO11 sur l'application Streamlit#

Maintenant que l'application Streamlit s'exécute dans ton navigateur web, explorons comment l'utiliser pour lancer des inférences avec Ultralytics 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 "Démarrer", permettant à Ultralytics YOLO11 d'analyser la vidéo image par image et de détecter des 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.

Cas d'usage utilisant Streamlit et Ultralytics 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.

Comptage d'objets pour les contrôles d'inventaire à l'aide d'Ultralytics YOLO11#

Assurer le suivi des stocks dans les magasins de détail, les salles de stockage ou les zones de fournitures de bureau peut prendre du temps et être source d'erreurs. En utilisant Ultralytics 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 Ultralytics YOLO11 peut aider à détecter et à compter les objets instantanément. Le comptage en temps réel peut être affiché dans l'interface Streamlit, offrant un moyen simple de surveiller les niveaux de stock sans effort manuel.

Par exemple, le propriétaire d'un magasin peut scanner un rayon et voir immédiatement combien de bouteilles, de boîtes ou de produits emballés sont présents 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 à l'aide d'Ultralytics YOLO11.

Renforcer la sécurité avec Ultralytics YOLO11 et Streamlit#

Maintenir la sécurité des zones restreintes dans les bureaux, les entrepôts ou les sites événementiels peut s'avérer difficile, en particulier avec une surveillance manuelle. En utilisant Ultralytics 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 Ultralytics YOLO11 est utilisé pour identifier et suivre les personnes pénétrant 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 par IA avant de s'engager dans un système plus grand et entièrement automatisé. En intégrant Ultralytics YOLO11 à Streamlit, les entreprises peuvent améliorer la sécurité, minimiser la surveillance manuelle et répondre plus efficacement aux accès non autorisés.

Conseils 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.

Points 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

Grâce aux capacités d'Ultralytics YOLO11 et à la simplicité de déploiement de Streamlit, les entreprises et les développeurs peuvent rapidement prototyper, tester et affiner des applications alimentées par l'IA.

Rejoins notre community et explore notre GitHub repository pour en savoir plus sur l'IA. Jette un œil à nos pages de solutions pour en savoir plus sur des innovations telles que l'AI in manufacturing et la computer vision in healthcare. Découvre nos licensing options et lance-toi dès aujourd'hui !