StreamlitとUltralytics YOLO11でインタラクティブなAIアプリを実行

コンピュータービジョンモデルは、機械が画像検出、画像分類、インスタンスセグメンテーションなどのタスクを高精度で実行し、視覚データを解釈・分析できるようにする、影響力の大きいAIツールです。ただし、デプロイしてより幅広いユーザーが利用できるようにするには、Web開発やモバイルアプリのスキルなど、追加の技術的専門知識が必要になる場合があります。

たとえば、Ultralytics YOLO11を考えてみましょう。これはさまざまなタスクに対応し、幅広いアプリケーションで役立つモデルです。ただし、フロントエンドに関する技術的な知識がなければ、スムーズに操作できるユーザーフレンドリーなインターフェースの構築とデプロイは、一部のAIエンジニアにとって少し難しく感じられることがあります。

Streamlitは、このプロセスを簡単にすることを目的としたオープンソースフレームワークです。複雑なフロントエンド開発なしでインタラクティブなアプリケーションを構築できる、Pythonベースのツールです。Ultralytics YOLO11と組み合わせることで、ユーザーは最小限の手間で画像をアップロードし、動画を処理し、リアルタイムの結果を可視化できます。

Ultralyticsは、Live Inferenceソリューションによってこのプロセスをさらに簡単にし、Streamlitとの統合を容易にしています。1つのコマンドで、ユーザーはあらかじめ構築されたYOLO11用のStreamlitアプリを起動でき、手動でのセットアップやコーディングが不要になります。

この記事では、UltralyticsのLive InferenceソリューションとStreamlitを使用してYOLO11をセットアップし、実行する方法を説明します。これにより、リアルタイムAIのデプロイをより高速かつ利用しやすくできます。

Streamlitとは何ですか？#

Streamlitは、インタラクティブなWebアプリケーションの作成を簡単にするPythonフレームワークです。AI開発者は、フロントエンド開発の複雑な部分に対応することなく、AI搭載アプリを構築できます。

AIおよび機械学習モデルとシームレスに連携するように設計されています。わずか数行のPythonコードで、ユーザーが画像をアップロードし、動画を処理し、AIモデルを操作できるインターフェースを作成できます。

図1. Streamlitの主な機能。画像：著者。

主な機能の1つが動的レンダリングです。ユーザーが変更を加えると、手動でページを再読み込みしなくてもアプリが自動的に更新されます。

また、軽量で使いやすいため、Streamlitはローカルマシンとクラウドプラットフォームの両方で効率的に動作します。そのため、AIアプリケーションのデプロイ、他のユーザーとのモデル共有、直感的でインタラクティブなユーザー体験の提供に適しています。

Ultralytics YOLO11：汎用性の高いVision AIモデル#

StreamlitアプリケーションでUltralytics YOLO11を使用してライブ推論を実行する方法に入る前に、YOLO11の信頼性を支える要素を詳しく見ていきましょう。

Ultralytics YOLO11は、物体検出、インスタンスセグメンテーション、ポーズ推定などのリアルタイムコンピュータービジョンタスク向けに設計されたモデルです。優れた精度を備えた高速なパフォーマンスを実現します。

図2. YOLO11を物体検出に使用した例。

YOLO11の最大の利点の1つは、使いやすさです。複雑なセットアップは必要ありません。開発者はUltralytics Pythonパッケージをインストールするだけで、わずか数行のコードから予測を開始できます。

Ultralytics Pythonパッケージは、モデルのファインチューニングや検出設定の調整など、さまざまな機能を提供します。また、異なるデバイス間でパフォーマンスを最適化し、よりスムーズなデプロイを支援します。

柔軟性に加えて、Ultralytics Pythonパッケージは、エッジデバイス、クラウド環境、NVIDIA GPU対応システムなど、複数のプラットフォームとの統合をサポートしています。小型の組み込みデバイスにデプロイする場合でも、大規模なクラウドサーバーにデプロイする場合でも、YOLO11は容易に適応し、高度なVision AIをこれまで以上に利用しやすくします。

StreamlitとUltralytics YOLO11を使用するメリット#

Streamlitが自分に適したデプロイオプションかどうか、どう判断すればよいのか疑問に思うかもしれません。フロントエンド開発に対応せず、シンプルでコード効率の高い方法でUltralytics YOLO11を実行したい場合、Streamlitは適した選択肢です。特に、プロトタイピング、概念実証（PoC）プロジェクト、または比較的少数のユーザーを対象としたデプロイに適しています。

不要な複雑さを排除し、リアルタイム操作のための直感的なインターフェースを提供することで、Ultralytics YOLO11を使用するプロセスを効率化します。その他の主なメリットは次のとおりです。

• カスタマイズ可能なAIコントロール： インターフェースにスライダー、ドロップダウン、ボタンを追加できるため、ユーザーは検出設定をファインチューニングし、特定の物体を簡単にフィルタリングできます。

• 他のAIツールとの統合： StreamlitはNumPy、OpenCV、Matplotlibなどの機械学習ライブラリとの統合をサポートし、AIワークフローの機能を拡張します。

• インタラクティブなデータ可視化： チャートやグラフを標準でサポートしているため、ユーザーは物体検出、セグメンテーション結果、トラッキングの分析結果を簡単に可視化できます。

• コラボレーションに適している： Streamlitアプリは簡単なリンクでチームメンバー、ステークホルダー、クライアントと共有でき、すぐにフィードバックを受けて反復改善できます。

Streamlit WebアプリにUltralytics YOLO11をデプロイする手順#

StreamlitとUltralytics YOLO11の使用によるメリットを確認したところで、StreamlitとYOLO11を使用してブラウザーでリアルタイムのコンピュータービジョンタスクを実行する方法を説明します。

Ultralytics Pythonパッケージのインストール#

最初のステップは、Ultralytics Pythonパッケージをインストールすることです。次のコマンドを使用して実行できます。

インストールが完了すると、YOLO11は複雑なセットアップなしですぐに使用できます。必要なパッケージのインストール中に問題が発生した場合は、トラブルシューティングのヒントと解決策についてよくある問題のガイドを参照してください。

Ultralytics YOLO11でStreamlitアプリケーションを起動する#

通常、YOLO11を実行するには、Streamlitコンポーネントを使用したPythonスクリプトを開発する必要があります。ただし、Ultralyticsでは、StreamlitでYOLO11を簡単に実行できます。

次のPythonスクリプトを実行すると、デフォルトのWebブラウザーでStreamlitアプリケーションがすぐに起動します。

追加の設定は必要ありません。Streamlitアプリケーションのインターフェースには、画像と動画のアップロードセクション、使用したいUltralytics YOLO11のモデルバリアントを選択するドロップダウンメニュー、検出信頼度を調整するスライダーが含まれています。すべてが整理されているため、ユーザーは追加のコードを書くことなく簡単に推論を実行できます。

StreamlitアプリケーションでUltralytics YOLO11を使用して推論を実行する#

StreamlitアプリケーションがWebブラウザーで実行されたので、これを使用してUltralytics YOLO11で推論を実行する方法を見ていきましょう。

たとえば、物体検出のために動画ファイルを分析するとします。ファイルをアップロードし、モデルを選択して、リアルタイムの結果を表示する手順は次のとおりです。

• 動画ファイルをアップロードする： ユーザー設定のドロップダウンから「video」を選択します。これにより、アプリケーションはWebカメラの映像ではなく、録画済みファイルを処理します。
• YOLO11モデルを選択する： モデルのドロップダウンから「YOLO11l」を選択し、大規模なYOLO11モデルで物体検出を実行します。
• 検出プロセスを開始する： 「Start」をクリックすると、Ultralytics YOLO11が動画をフレームごとに分析し、リアルタイムで物体を検出します。
• 処理済み動画を表示する： 検出した物体がバウンディングボックス付きで表示され、ライブ更新される動画を画面上で確認します。
• Streamlitで結果を操作する： 追加のセットアップやコーディングなしで、インターフェースを使用して設定を調整したり、検出結果を分析したりできます。

図3. Ultralytics YOLO Streamlitアプリケーションのインターフェース。

StreamlitとUltralytics YOLO11の使用例#

Streamlitがプロトタイプ、研究ツール、小規模から中規模のアプリケーションの作成に適していることを見てきました。複雑なフロントエンド開発なしでAIモデルをデプロイできる、シンプルな方法を提供します。

ただし、上記の手順で設定したUltralytics YOLO Streamlitアプリケーションを使用しない限り、StreamlitでYOLO11を実行しても、必ずしもすぐに使えるソリューションになるとは限りません。多くの場合、特定のニーズに合わせてアプリケーションをカスタマイズするために、ある程度の開発作業が必要です。Streamlitによってデプロイは簡単になりますが、YOLO11がスムーズに動作するよう、必要なコンポーネントを設定する必要があります。

Ultralytics YOLO11を実際のシナリオでStreamlitに効果的にデプロイする方法を、実用的な2つの例で見ていきましょう。

Ultralytics YOLO11を使用した在庫確認のための物体カウント#

小売店、保管室、オフィスの備品エリアで在庫を把握する作業は、時間がかかり、ミスも起こりやすいものです。Ultralytics YOLO11をStreamlitと組み合わせることで、企業は物体のカウントを迅速かつ効率的に自動化できます。大規模なデプロイに着手する前の概念実証（PoC）にも適しています。

この構成では、ユーザーは画像をアップロードするかライブカメラフィードを使用でき、Ultralytics YOLO11によって物体を即座に検出してカウントできます。リアルタイムのカウントをStreamlitインターフェースに表示できるため、手作業なしで在庫レベルを簡単に監視できます。

たとえば、店舗のオーナーは棚をスキャンするだけで、手作業で数えることなく、ボトル、箱、包装済み商品がいくつあるかをすぐに確認できます。Ultralytics YOLO11とStreamlitを活用することで、企業は手作業を減らし、精度を向上させ、最小限の投資で自動化を検討できます。

図4. Ultralytics YOLO11を使用した冷蔵庫内のボトル検出。

Ultralytics YOLO11とStreamlitによるセキュリティの強化#

オフィス、倉庫、イベント会場などの立入制限区域を安全に保つことは、特に手動監視では困難です。Ultralytics YOLO11をStreamlitと組み合わせることで、企業はリアルタイムで不正アクセスを検出する、シンプルなAI搭載のセキュリティシステムを構築できます。

カメラフィードをStreamlitインターフェースに接続し、Ultralytics YOLO11で立入制限区域に入る人物を識別・追跡できます。不正な人物が検出されると、システムはアラートを発したり、確認用にイベントを記録したりできます。

たとえば、倉庫の管理者は高セキュリティの保管エリアへのアクセスを監視でき、オフィスでは常時監視を必要とせずに立入制限区域内の動きを追跡できます。

これは、より大規模で完全に自動化されたシステムに着手する前に、Vision AIを活用したセキュリティ監視を検討したい企業にとって、洞察に富んだプロジェクトになります。Ultralytics YOLO11をStreamlitと統合することで、企業はセキュリティを強化し、手動監視を最小限に抑え、不正アクセスにより効果的に対応できます。

StreamlitでインタラクティブなAIアプリを監視するためのヒント#

Streamlitなどのツールを使用してコンピュータービジョンモデルをデプロイすると、インタラクティブでユーザーフレンドリーな体験を構築できます。ただし、ライブインターフェースのセットアップ後は、システムが効率的に動作し、時間の経過後も正確な結果を提供できるようにすることが重要です。

デプロイ後に考慮すべき主な要素は次のとおりです。

• 定期的な監視： 検出精度、推論速度、リソース使用量を追跡します。パフォーマンスが低下した場合は、モデルパラメーターを調整するか、ハードウェアをアップグレードします。
• 複数ユーザーとスケーラビリティの管理： ユーザーの需要が高まるにつれて、パフォーマンスを維持するにはインフラストラクチャの最適化が重要になります。クラウドプラットフォームとスケーラブルなデプロイソリューションにより、円滑な運用を確保できます。
• モデルを最新の状態に保つ： モデルとライブラリを最新の状態に保つことで、精度、セキュリティ、新機能へのアクセスが向上します。

主なポイント#

Ultralyticsは、1つのコマンドで実行できる、すぐに使えるStreamlitライブインターフェースによってYOLO11のデプロイを簡単にします。コーディングは不要で、ユーザーはすぐにリアルタイム物体検出を使い始められます。

インターフェースにはカスタマイズ機能も組み込まれており、ユーザーはモデルの切り替え、検出精度の調整、物体のフィルタリングを簡単に行えます。すべてをシンプルでユーザーフレンドリーなインターフェース内で管理できるため、手動でUIを開発する必要はありません。組み合わせることで

Ultralytics YOLO11の機能とStreamlitのデプロイのしやすさを組み合わせることで、企業や開発者はAI搭載アプリケーションを迅速にプロトタイプ化し、テストし、改良できます。

コミュニティに参加し、GitHubリポジトリでAIに関するさらなるインサイトをご覧ください。製造業におけるAIや医療におけるコンピュータービジョンなどのイノベーションについて詳しく知るには、ソリューションページをご覧ください。ライセンスオプションを確認して、今すぐ始めましょう。