Esegui un'app AI interattiva con Streamlit e Ultralytics YOLO11

I modelli di computer vision sono strumenti di IA efficaci che consentono alle macchine di interpretare e analizzare dati visivi, eseguendo attività come rilevamento di oggetti, classificazione di immagini e segmentazione di istanze con alta precisione. Tuttavia, a volte possono richiedere competenze tecniche aggiuntive, come abilità nello sviluppo web o di app mobile, per essere distribuiti e resi accessibili a un pubblico più ampio.

Prendi Ultralytics YOLO11, per esempio. È un modello che supporta diverse attività ed è utile in una gamma di applicazioni. Tuttavia, senza alcune conoscenze tecniche di front-end, creare e distribuire un'interfaccia user-friendly per un'interazione fluida può risultare un po' impegnativo per alcuni ingegneri IA.

Streamlit è un framework open-source che mira a semplificare questo processo. È uno strumento basato su Python per la creazione di applicazioni interattive senza un complesso sviluppo front-end. Se abbinato a YOLO11, consente agli utenti di caricare immagini, elaborare video e visualizzare risultati in tempo reale con il minimo sforzo.

Ultralytics fa un passo avanti con la sua soluzione Live Inference, rendendo l'integrazione di Streamlit ancora più semplice. Con un singolo comando, gli utenti possono avviare una app Streamlit per YOLO11 già pronta, eliminando la necessità di configurazione manuale e programmazione.

In questo articolo, vedremo come configurare ed eseguire YOLO11 utilizzando la soluzione Live Inference di Ultralytics con Streamlit, rendendo la distribuzione dell'IA in tempo reale più rapida e accessibile.

Link to this sectionCos'è Streamlit?#

Streamlit è un framework Python che semplifica la creazione di applicazioni web interattive. Gli sviluppatori di IA possono creare app basate sull'IA senza doversi occupare delle complessità dello sviluppo front-end.

È progettato per funzionare perfettamente con modelli di IA e machine learning. Con solo poche righe di Python, gli sviluppatori possono creare un'interfaccia in cui gli utenti possono caricare immagini, elaborare video e interagire con modelli di IA.

Fig 1. Caratteristiche principali di Streamlit. Immagine dell'autore.

Una delle sue caratteristiche principali è il rendering dinamico. Quando gli utenti apportano modifiche, l'app si aggiorna automaticamente senza richiedere ricaricamenti manuali della pagina.

Inoltre, essendo leggero e facile da usare, Streamlit funziona in modo efficiente sia su macchine locali che su piattaforme cloud. Questo lo rende un'ottima scelta per la distribuzione di applicazioni IA, la condivisione di modelli con altri e la fornitura di un'esperienza utente intuitiva e interattiva.

Link to this sectionUltralytics YOLO11: un modello versatile di Vision AI#

Prima di addentrarci in come eseguire inferenze live con Ultralytics YOLO11 in un'applicazione Streamlit, diamo un'occhiata più da vicino a ciò che rende YOLO11 così affidabile.

Ultralytics YOLO11 è un modello progettato per attività di computer vision in tempo reale come rilevamento di oggetti, segmentazione di istanze e stima della posa. Offre prestazioni ad alta velocità con una precisione impressionante.

Fig 2. Un esempio di utilizzo di YOLO11 per il rilevamento di oggetti.

Uno dei maggiori vantaggi di YOLO11 è la sua facilità d'uso. Non c'è bisogno di configurazioni complesse; gli sviluppatori possono installare il pacchetto Python di Ultralytics e iniziare a fare previsioni con solo poche righe di codice.

Il pacchetto Python di Ultralytics offre una gamma di funzionalità, consentendo agli utenti di perfezionare i modelli e regolare le impostazioni di rilevamento. Aiuta anche a ottimizzare le prestazioni su diversi dispositivi per una distribuzione più fluida.

Oltre alla flessibilità, il pacchetto Python di Ultralytics supporta integrazioni su piattaforme multiple, inclusi dispositivi edge, ambienti cloud e sistemi dotati di GPU NVIDIA. Che sia distribuito su un piccolo dispositivo embedded o su un server cloud su larga scala, YOLO11 si adatta senza sforzo, rendendo l'IA di visione avanzata più accessibile che mai.

Link to this sectionVantaggi dell'utilizzo di Streamlit con Ultralytics YOLO11#

Potresti chiederti: come faccio a sapere se Streamlit è l'opzione di distribuzione giusta per me? Se stai cercando un modo semplice ed efficiente per eseguire YOLO11 senza doverti occupare dello sviluppo front-end, Streamlit è una buona opzione, specialmente per la prototipazione, progetti di proof-of-concept (PoC) o distribuzioni destinate a un numero limitato di utenti.

Semplifica il processo di lavoro con YOLO11 eliminando inutili complessità e fornendo un'interfaccia intuitiva per l'interazione in tempo reale. Ecco alcuni altri vantaggi chiave:

• Controlli IA personalizzabili: puoi aggiungere slider, menu a discesa e pulsanti alla tua interfaccia, consentendo agli utenti di perfezionare le impostazioni di rilevamento e filtrare facilmente oggetti specifici.

• Integrazione con altri strumenti IA: Streamlit supporta l'integrazione con NumPy, OpenCV, Matplotlib e altre librerie di machine learning, migliorando le capacità del flusso di lavoro IA.

• Visualizzazione dati interattiva: il supporto integrato per grafici e diagrammi consente agli utenti di visualizzare facilmente i risultati di rilevamento oggetti, segmentazione o approfondimenti sul tracking.

• Ideale per la collaborazione: le app Streamlit possono essere facilmente condivise con membri del team, stakeholder o clienti tramite un semplice link, consentendo feedback e iterazioni istantanee.

Link to this sectionGuida passo dopo passo alla distribuzione di YOLO11 in un'app web Streamlit#

Ora che abbiamo esplorato i vantaggi dell'utilizzo di Streamlit con YOLO11, vediamo come eseguire attività di computer vision in tempo reale in un browser utilizzando Streamlit con YOLO11.

Link to this sectionInstallazione del pacchetto Python di Ultralytics#

Il primo passo è installare il pacchetto Python di Ultralytics. Questo può essere fatto utilizzando il seguente comando:

Una volta installato, YOLO11 è pronto all'uso senza alcuna configurazione complicata. Se riscontri problemi durante l'installazione dei pacchetti richiesti, puoi consultare la nostra Guida ai problemi comuni per suggerimenti sulla risoluzione dei problemi e soluzioni.

Link to this sectionAvvio dell'applicazione Streamlit con YOLO11#

Normalmente, dovresti sviluppare uno script Python utilizzando i componenti di Streamlit per eseguire YOLO11. Tuttavia, Ultralytics fornisce un modo semplice per eseguire YOLO11 con Streamlit.

Eseguendo il seguente script Python avvierai istantaneamente l'applicazione Streamlit nel tuo browser web predefinito:

Non è necessaria alcuna configurazione aggiuntiva. L'interfaccia dell'applicazione Streamlit include una sezione di caricamento per immagini e video, un menu a discesa per selezionare la variante del modello YOLO11 a cui sei interessato e slider per regolare la confidenza di rilevamento. Tutto è organizzato in modo ordinato, rendendo possibile per gli utenti eseguire inferenze senza sforzo senza scrivere codice extra.

Link to this sectionEsecuzione di inferenze utilizzando YOLO11 sull'applicazione Streamlit#

Ora che l'applicazione Streamlit è in esecuzione nel tuo browser web, esploriamo come usarla per eseguire inferenze con YOLO11.

Ad esempio, supponiamo di voler analizzare un file video per il rilevamento di oggetti. Ecco i passaggi per caricare un file, selezionare un modello e visualizzare i risultati in tempo reale:

• Carica un file video: seleziona "video" dal menu a discesa della configurazione utente, che indica all'applicazione di elaborare un file pre-registrato invece di un feed webcam.
• Scegli un modello YOLO11: seleziona "YOLO11l" dal menu a discesa del modello per il rilevamento di oggetti utilizzando un modello YOLO11 di grandi dimensioni.
• Avvia il processo di rilevamento: fai clic su "Start", consentendo a YOLO11 di analizzare il video frame dopo frame e rilevare oggetti in tempo reale.
• Visualizza il video elaborato: guarda mentre il video appare sullo schermo con aggiornamenti in tempo reale, visualizzando gli oggetti rilevati con riquadri di delimitazione (bounding boxes).
• Interagisci con i risultati in Streamlit: usa l'interfaccia per regolare le impostazioni o analizzare i rilevamenti, il tutto senza configurazioni extra o programmazione.

Fig 3. L'interfaccia dell'applicazione Ultralytics YOLO Streamlit.

Link to this sectionCasi d'uso utilizzando Streamlit e YOLO11#

Abbiamo dato un'occhiata a come Streamlit sia ottimo per creare prototipi, strumenti di ricerca e applicazioni di piccole e medie dimensioni. Offre un modo semplice per distribuire modelli di IA senza complesso sviluppo front-end.

Tuttavia, eseguire YOLO11 con Streamlit non è sempre una soluzione pronta all'uso, a meno che non si utilizzi l'applicazione Ultralytics YOLO Streamlit che abbiamo configurato nei passaggi precedenti. Nella maggior parte dei casi, è necessario del lavoro di sviluppo per personalizzare l'applicazione in base a esigenze specifiche. Sebbene Streamlit semplifichi la distribuzione, dovrai comunque configurare i componenti necessari per garantire che YOLO11 funzioni senza problemi.

Esploriamo due esempi pratici di come Ultralytics YOLO11 possa essere distribuito efficacemente con Streamlit in scenari del mondo reale.

Link to this sectionConteggio di oggetti per controlli di inventario utilizzando YOLO11#

Tenere traccia dell'inventario in negozi al dettaglio, magazzini o aree di rifornimento ufficio può richiedere tempo ed essere soggetto a errori. Utilizzando YOLO11 con Streamlit, le aziende possono automatizzare il conteggio degli oggetti in modo rapido ed efficiente, rendendolo un'ottima opzione per un proof of concept (PoC) prima di impegnarsi in una distribuzione su larga scala.

Con questa configurazione, gli utenti possono caricare un'immagine o utilizzare un feed della fotocamera live, e YOLO11 può aiutare a rilevare e contare istantaneamente gli oggetti. Il conteggio in tempo reale può essere visualizzato nell'interfaccia di Streamlit, offrendo un modo semplice per monitorare i livelli delle scorte senza sforzo manuale.

Ad esempio, il proprietario di un negozio può scansionare uno scaffale e vedere immediatamente quante bottiglie, scatole o prodotti confezionati sono presenti senza doverli contare manualmente. Sfruttando YOLO11 e Streamlit, le aziende possono ridurre il lavoro manuale, migliorare la precisione ed esplorare l'automazione con un investimento minimo.

Fig 4. Rilevamento di bottiglie in un frigorifero utilizzando YOLO11.

Link to this sectionAumentare la sicurezza con YOLO11 e Streamlit#

Mantenere sicure le aree riservate in uffici, magazzini o sedi di eventi può essere difficile, specialmente con il monitoraggio manuale. Utilizzando YOLO11 con Streamlit, le aziende possono configurare un semplice sistema di sicurezza basato sull'IA per rilevare accessi non autorizzati in tempo reale.

Un feed della telecamera può essere collegato all'interfaccia di Streamlit, dove YOLO11 viene utilizzato per identificare e tracciare le persone che entrano in zone riservate. Se viene rilevata una persona non autorizzata, il sistema può attivare un avviso o registrare l'evento per la revisione.

Ad esempio, un gestore di magazzino può monitorare l'accesso ad aree di stoccaggio ad alta sicurezza, o un ufficio può monitorare il movimento in sezioni riservate senza bisogno di una supervisione costante.

Questo può essere un progetto rivelatore per le aziende che desiderano esplorare il monitoraggio della sicurezza basato su IA di visione prima di impegnarsi in un sistema più grande e completamente automatizzato. Integrando YOLO11 con Streamlit, le aziende possono migliorare la sicurezza, ridurre al minimo il monitoraggio manuale e rispondere agli accessi non autorizzati in modo più efficace.

Link to this sectionSuggerimenti per il monitoraggio di un'app AI interattiva con Streamlit#

L'utilizzo di strumenti come Streamlit per distribuire modelli di computer vision aiuta a creare un'esperienza interattiva e user-friendly. Tuttavia, dopo aver configurato l'interfaccia live, è importante assicurarsi che il sistema funzioni in modo efficiente e fornisca risultati accurati nel tempo.

Ecco alcuni fattori chiave da considerare dopo la distribuzione:

• Monitoraggio regolare: traccia la precisione del rilevamento, la velocità di inferenza e l'utilizzo delle risorse. Regola i parametri del modello o aggiorna l'hardware se le prestazioni diminuiscono.
• Gestione di più utenti e scalabilità: man mano che la domanda degli utenti cresce, l'ottimizzazione dell'infrastruttura è fondamentale per mantenere le prestazioni. Le piattaforme cloud e le soluzioni di distribuzione scalabili aiutano a garantire un funzionamento fluido.
• Mantenere il modello aggiornato: mantenere aggiornati il modello e le librerie migliora la precisione, la sicurezza e l'accesso a nuove funzionalità.

Link to this sectionPunti chiave#

Ultralytics semplifica la distribuzione di YOLO11 con un'interfaccia live Streamlit pronta all'uso che viene eseguita con un singolo comando: nessuna programmazione richiesta. Ciò consente agli utenti di iniziare a utilizzare il rilevamento di oggetti in tempo reale istantaneamente.

L'interfaccia include anche una personalizzazione integrata, consentendo agli utenti di cambiare modelli, regolare la precisione del rilevamento e filtrare oggetti con facilità. Tutto è gestito all'interno di un'interfaccia semplice e user-friendly, eliminando la necessità di uno sviluppo UI manuale. Combinando

le capacità di YOLO11 con la facilità di distribuzione di Streamlit, aziende e sviluppatori possono prototipare, testare e perfezionare rapidamente applicazioni basate sull'IA.

Diventa parte della nostra community ed esplora il nostro repository GitHub per ulteriori approfondimenti sull'AI. Dai un'occhiata alle nostre pagine delle soluzioni per saperne di più su innovazioni come l'AI nella produzione e la computer vision nell'assistenza sanitaria. Scopri le nostre opzioni di licenza e inizia oggi stesso!