Exécuter une application d'IA interactive avec Streamlit et Ultralytics YOLO11

Les modèles de vision par ordinateur sont des outils d’IA performants 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, leur déploiement et leur accessibilité à un public plus large peuvent parfois nécessiter une expertise technique supplémentaire, notamment en développement web ou en création d’applications mobiles.

Prenons Ultralytics YOLO11, par exemple. C’est un modèle qui prend en charge diverses tâches et qui est utile dans de nombreuses applications. Cependant, sans certaines connaissances techniques en développement front-end, créer et déployer une interface conviviale permettant une interaction fluide peut sembler quelque peu difficile pour 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 des résultats en temps réel avec un minimum d’effort.

Ultralytics va encore plus loin avec sa solution Live Inference, qui simplifie davantage l’intégration de Streamlit. Avec une seule commande, les utilisateurs peuvent lancer une application Streamlit pour YOLO11 préconfigurée, sans avoir à effectuer de configuration manuelle ni à écrire de code.

Dans cet article, nous allons voir comment configurer et exécuter YOLO11 à l’aide de la solution Live Inference d’Ultralytics avec 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 propulsées par l’IA sans avoir à gérer les complexités du développement front-end.

Il est conçu pour fonctionner de manière fluide avec les modèles d’IA et d’apprentissage automatique. Avec seulement 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. Fonctionnalités clés de Streamlit. Image réalisée par l’auteur.

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

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

Ultralytics YOLO11 : un modèle polyvalent de vision par IA#

Avant d’examiner comment exécuter des inférences en direct avec Ultralytics YOLO11 dans une application Streamlit, intéressons-nous de plus près aux éléments qui rendent 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 avec une précision impressionnante.

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 d’Ultralytics et commencer à effectuer des prédictions avec seulement quelques lignes de code.

Le package Python d’Ultralytics offre de nombreuses fonctionnalités, permettant 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.

Au-delà de sa flexibilité, le package Python d’Ultralytics prend en charge des intégrations sur plusieurs plateformes, notamment les appareils 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 de grande envergure, YOLO11 s’adapte sans effort, rendant la vision par IA avancée plus accessible que jamais.

Avantages de l’utilisation de Streamlit avec Ultralytics YOLO11#

Tu te demandes peut-être comment savoir si Streamlit est l’option de déploiement qui te convient. Si tu cherches un moyen simple et efficace en termes de code d’exécuter Ultralytics YOLO11 sans gérer le développement front-end, Streamlit est une bonne option, notamment pour le prototypage, les projets de preuve de concept (PoC) ou les déploiements destinés à un nombre réduit d’utilisateurs.

Il simplifie l’utilisation d’Ultralytics YOLO11 en éliminant la 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 les paramètres de détection et de filtrer facilement certains objets.

• Intégration avec d’autres outils d’IA : Streamlit prend en charge l’intégration avec NumPy, OpenCV, Matplotlib et d’autres bibliothèques d’apprentissage automatique, ce qui enrichit les workflows d’IA.

• Visualisation interactive des données : La prise en charge intégrée des diagrammes et des graphiques permet aux utilisateurs de visualiser facilement la détection d’objets, les résultats de segmentation ou les informations de suivi.

• Facilite la collaboration : Les applications Streamlit peuvent être facilement partagées avec les membres de l’équipe, les parties prenantes ou les clients au moyen d’un simple lien, ce qui permet d’obtenir instantanément des retours et d’itérer rapidement.

Guide pas à pas pour déployer Ultralytics YOLO11 dans une application web Streamlit#

Maintenant que nous avons examiné 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.

Installer le package Python d’Ultralytics#

La première étape consiste à installer le package Python d’Ultralytics. Tu peux le faire avec la commande suivante :

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

Lancer l’application Streamlit avec Ultralytics YOLO11#

Normalement, tu devrais développer un script Python utilisant les composants de Streamlit pour exécuter YOLO11. Cependant, Ultralytics propose une méthode simple pour 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 téléversement pour les images et les vidéos, un menu déroulant permettant de sélectionner la variante du modèle Ultralytics YOLO11 qui t’intéresse, ainsi que des curseurs pour ajuster le niveau de confiance de la détection. Tout est clairement organisé, ce qui permet aux utilisateurs d’effectuer des inférences facilement, sans écrire de code supplémentaire.

Effectuer des inférences avec Ultralytics YOLO11 dans l’application Streamlit#

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

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

• Téléverser un fichier vidéo : Sélectionne « vidéo » dans le menu déroulant de configuration utilisateur. Cela indique à l’application de traiter un fichier préenregistré plutôt qu’un flux provenant 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.
• Démarrer le processus de détection : Clique sur « Start » pour permettre à Ultralytics YOLO11 d’analyser la vidéo image par image et de détecter les objets en temps réel.
• Afficher la vidéo traitée : Regarde la vidéo s’afficher à l’écran avec des mises à jour en direct, présentant les objets détectés au moyen de cadres englobants.
• Interagir avec les résultats dans Streamlit : Utilise l’interface pour ajuster les paramètres ou analyser les détections, sans configuration ni codage supplémentaires.

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

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 à moyenne taille. Il offre une méthode simple pour 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 Streamlit Ultralytics YOLO que nous avons configurée dans les étapes précédentes. Dans la plupart des cas, un certain travail de développement est nécessaire pour personnaliser l’application en fonction de besoins spécifiques. Même si Streamlit simplifie le déploiement, tu devras toujours configurer les composants nécessaires pour garantir le bon fonctionnement de YOLO11.

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

Compter les objets pour contrôler les stocks avec Ultralytics YOLO11#

Le suivi des stocks dans les magasins, les réserves ou les espaces de fournitures de bureau peut être chronophage et sujet aux erreurs. Avec Ultralytics YOLO11 et Streamlit, les entreprises peuvent automatiser rapidement et efficacement le comptage des objets, ce qui en fait une excellente option de preuve de concept (PoC) avant de s’engager dans un déploiement à grande échelle.

Avec cette configuration, les utilisateurs peuvent téléverser une image ou utiliser un flux de caméra en direct, et Ultralytics YOLO11 peut aider à détecter et à compter les objets instantanément. Le nombre obtenu en temps réel peut être affiché dans l’interface Streamlit, offrant un moyen simple de surveiller les niveaux de stock sans intervention manuelle.

Par exemple, un commerçant peut scanner une étagère et voir immédiatement combien de bouteilles, de boîtes ou de produits emballés s’y trouvent, sans avoir à les compter manuellement. En exploitant Ultralytics 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 avec Ultralytics YOLO11.

Renforcer la sécurité avec Ultralytics YOLO11 et Streamlit#

Sécuriser les zones à accès restreint dans les bureaux, les entrepôts ou les lieux événementiels peut être difficile, notamment en cas de surveillance manuelle. Avec Ultralytics YOLO11 et Streamlit, les entreprises peuvent mettre en place un simple système de sécurité 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 Ultralytics YOLO11 est utilisé pour identifier et suivre les personnes qui entrent 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 responsable d’entrepôt peut surveiller l’accès à des zones de stockage hautement sécurisées, ou un bureau peut suivre les déplacements dans des sections restreintes sans nécessiter une supervision constante.

Cela peut constituer un projet révélateur pour les entreprises souhaitant explorer la surveillance de sécurité pilotée par la vision par IA 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#

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 veiller à ce que le système fonctionne efficacement et fournisse des résultats précis au fil du temps.

Voici quelques facteurs clés à prendre en compte 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 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 garantir un fonctionnement fluide.
• Maintenir le modèle à jour : La mise à jour du modèle et des 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 codage requis. Les utilisateurs peuvent ainsi commencer instantanément à utiliser la détection d’objets en temps réel.

L’interface comprend également des options de personnalisation intégrées, qui permettent 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, ce qui élimine la nécessité de développer manuellement l’interface utilisateur. En combinant

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

Rejoins notre communauté et explore notre dépôt GitHub pour découvrir davantage d’informations sur l’IA. Consulte nos pages de solutions pour en savoir plus sur des innovations comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la santé. Découvre nos options de licence et commence dès aujourd’hui !