StreamlitとUltralytics YOLO11で対話型AIアプリを実行する

Computer vision modelsは、機械が視覚データを解釈して分析することを可能にする強力なAIツールであり、物体検出、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ます。しかし、それらをデプロイしてより幅広いユーザーがアクセスできるようにするためには、Web開発やモバイルアプリのスキルなど、追加の専門知識が必要になる場合があります。

例えば、Ultralytics YOLO11を考えてみてください。これはさまざまなタスクをサポートし、幅広いアプリケーションで役立つモデルです。しかし、フロントエンドに関する一定の知識がなければ、シームレスな対話を実現するためのユーザーフレンドリーなインターフェースを構築してデプロイすることは、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、このプロセスをより簡単に行えるようにすることを目的としたオープンソースの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するための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労力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視覚化できます。

UltralyticsはLive Inferenceソリューションによってこれをさらに一歩進め、Streamlitの統合をさらに簡単にします。ユーザーは1つのコマンドで、事前構築されたStreamlit app for YOLO11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、リアルタイムのAIデプロイメントをより高速かつアクセスしやすくします。

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素化する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問題に対処することなく、AI搭載アプリを構築できます。

これは、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、開発者はユーザーが画像をアップロードし、ビデオを処理し、AIモデルと対話できるインターフェースを作成できます。

図1：Streamlitの主な特徴。画像提供：著者。

その主要な機能の1つは動的なレンダリングです。ユーザーが変更を行うと、手動でページを再読み込みすることなく、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。これは、AIアプリケーションのデプロイ、モデルの共有、そして直感的でインタラクティブなユーザーエクスペリエンスの提供において、素晴らしい選択肢となります。

Ultralytics YOLO11：多目的な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を掘り下げる前に、YOLO11がなぜこれほど信頼性が高いのか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のcomputer vision tasks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。

Fig 2. 物体検出にYOLO11を使用している例。

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不要で、開発者はUltralyticsのPythonパッケージをインストールするだけで、数行のコードで予測を開始できます。

UltralyticsのPythonパッケージは、モデルの微調整や検出設定の調整を可能にするさまざまな機能を提供します。また、より円滑なデプロイのために、さまざまなデバイス間でのパフォーマンス最適化を支援します。

柔軟性にとどまらず、Ultralytics Pythonパッケージは、エッジデバイス、クラウド環境、NVIDIA GPU搭載システムなど、複数のプラットフォームにわたるintegrationsをサポートしています。小規模な組み込みデバイスにデプロイされる場合でも、大規模なクラウドサーバーにデプロイされる場合でも、YOLO11は柔軟に適応し、高度なビジョンAIをこれまで以上に身近なものにします。

Ultralytics YOLO11でStreamlitを使用する利点#

Streamlitが自分に適したデプロイオプションかどうか、疑問に思われるかもしれません。フロントエンド開発に対処することなくUltralytics YOLO11を実行するためのシンプルでコード効率の高い方法を探している場合、Streamlitは優れたオプションです。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、リアルタイムのインタラクション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を扱うプロセスを合理化します。その他の主な利点は次のとおりです。

• 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、ユーザーは検出設定の微調整や特定のオブジェクトのフィルタリングを簡単に行えます。

• 他のAIツールとの統合： Streamlitは、NumPy、OpenCV、Matplotlib、その他の機械学習ライブラリとの統合をサポートしており、AIワークフローの機能を強化します。

• インタラクティブなデータ可視化： チャートやグラフの組み込みサポートにより、ユーザーは物体検出、セグメンテーション結果、またはトラッキングのインサイトを容易に可視化できます。

• コラボレーションに最適： Streamlitアプリは、シンプルなリンクを通じてチームメンバー、利害関係者、またはクライアントと簡単に共有でき、即時のフィードバックとイテレーションが可能になります。

StreamlitウェブアプリにUltralytics YOLO11をデプロイするためのステップバイステップガイド#

StreamlitとUltralytics YOLO11の使用のメリットについて確認しましたので、次はStreamlitとYOLO11を使用してブラウザでリアルタイムのコンピュータビジョンタスクを実行する方法について見ていきましょう。

Ultralytics Pythonパッケージのインストール#

最初のステップは、Ultralytics Python packageをインストールすることです。これは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は複雑な設定なしですぐに使用できるようになります。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当社のCommon Issues Guideを参照してください。

Ultralytics YOLO11を使用したStreamlitアプリケーションの起動#

通常、YOLO11を実行するにはStreamlitコンポーネントを使用してPythonスクリプトを開発する必要があります。しかし、UltralyticsはYOLO11をStreamlitで実行するシンプルな方法を提供しています。

以下のPythonスクリプトを実行すると、デフォルトのWebブラウザでStreamlitアプリケーションが即座に起動します。

追加の設定は必要ありません。Streamlitのアプリケーションインターフェースには、画像や動画のアップロードセクション、興味のあるUltralytics YOLO11のモデルバリアントを選択するためのドロップダウンメニュー、検出の信頼度を調整するためのスライダーが含まれています。すべてが綺麗に整理されており、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のUltralytics YOLO11を使用した推論の実行#

Streamlitアプリケーションがウェブブラウザで実行されているので、それを使用してUltralytics YOLO11で推論を実行する方法を見ていきましょう。

例えば、物体検出のためにビデオファイルを分析したいとします。ファイルをアップロードし、モデルを選択し、リアルタイムの結果を表示する手順は以下の通りです。

• ビデオファイルのアップロード： ユーザー構成のドロップダウンから「video」を選択します。これにより、Webカメラフィードの代わりに事前録画されたファイルを処理するようにアプリケーションに指示が出されます。
• YOLO11モデルの選択： モデルのドロップダウンから「YOLO11l」を選択し、大規模なYOLO11モデルを使用して物体検出を行います。
• 検出プロセスの開始: 「開始」をクリックすると、Ultralytics YOLO11が動画をフレーム単位で分析し、リアルタイムでオブジェクトを検出できるようになります。
• 処理されたビデオの表示： ライブ更新されるビデオが画面に表示され、バウンディングボックス付きで検出された物体が表示される様子を確認できます。
• Streamlitでの結果の操作： 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。これらすべてが、追加のセットアップやコーディングなしで行えます。

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を使用したユースケース#

Streamlitがプロトタイプ、研究ツール、中小規模のアプリケーションの作成に最適であ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モデルをデプロイするシンプルな方法を提供します。

しかし、上記の手順でセットアップしたUltralytics YOLO Streamlitアプリケーションを使用しない限り、StreamlitでYOLO11を実行することが常にすぐに使えるソリューションになるとは限りません。ほとんどの場合、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には、開発作業が必要です。Streamlitはデプロイメントを簡素化しますが、YOLO11がスムーズに動作するように必要なコンポーネントを設定する必要があります。

Ultralytics YOLO11が、現実世界のシナリオにおいてStreamlitで効果的にデプロイできる2つの実用的な例を探ります。

Ultralytics YOLO11を使用した在庫確認のためのオブジェクトカウント#

小売店、バックヤード、またはオフィス用品のエリアでの在庫管理は、時間がかかり、エラーが発生しやすい場合があります。Ultralytics YOLO11をStreamlitと併用することで、企業はオブジェクトのカウントを素早く効率的に自動化できるため、大規模なデプロイに踏み切る前の概念実証（PoC）として最適なオプションになります。

この設定により、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することができ、Ultralytics YOLO11は即座にオブジェクトを検出してカウントするのに役立ちます。リアルタイムのカウントがStreamlitインターフェースに表示されるため、手動の労力をかけずに在庫レベルを簡単にモニタリングできます。

たとえば、店舗のオーナーは棚をスキャンするだけで、手動で数えることなく、何本のボトル、箱、またはパッケージ商品が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を使用して冷蔵庫内のボトルを検出する。

Ultralytics YOLO11とStreamlitでセキュリティを強化する#

オフィス、倉庫、イベント会場などの立ち入り禁止エリアのセキュリティを維持することは、特に手動でのモニタリングでは困難な場合があります。Ultralytics YOLO11をStreamlitと併用することで、企業はシンプルなAI駆動型のセキュリティシステムを構築し、不正アクセスをリアルタイムで検出できます。

カメラフィードをStreamlitインターフェースに接続でき、そこでUltralytics YOLO11を使用して、制限ゾーンに入る人物を特定および追跡します。不正な人物が検出された場合、システムはアラートをトリガーするか、確認のためにイベントをログに記録できます。

例えば、倉庫マネージャーはセキュリティの高い保管エリアへのアクセスを監視したり、オフィスは常に監督することなく制限区域内の動きを追跡したりできます。

これは、大規模な完全自動化システムにコミットする前に、ビジョンAI主導のセキュリティ監視を検討したい企業にとって、目を見張るようなプロジェクトになり得ます。Ultralytics YOLO11とStreamlitを統合することで、企業はセキュリティを強化し、手動モニタリングを最小限に抑え、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のようなツールを使用してコンピュータ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エクスペリエンスを作成するのに役立ちます。しかし、ライブインターフェースをセットアップした後は、システムが効率的に動作し、時間の経過とともに正確な結果を提供し続けることを確認することが重要です。

デプロイ後に考慮すべき重要な要素をいくつか紹介します。

• Regular monitoring: 検出精度、推論速度、および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、モデルのパラメータを調整するか、ハードウェアをアップグレードしてください。
• 複数のユーザーとスケーラビリティの管理： ユーザーの需要が増加するにつれて、パフォーマンスを維持するにはインフラの最適化が鍵となります。クラウドプラットフォームとスケーラブルなデプロイメントソリューションは、スムーズな運用を確保するのに役立ちます。
• 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、セキュリティが向上し、新機能へのアクセスが可能になります。

重要なポイント#

Ultralyticsは、コーディング不要でコマンド1つ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り、YOLO11のデプロイを簡素化します。これにより、ユーザーは即座にリアルタイムの物体検出を開始できます。

また、インターフェースにはカスタマイズ機能が組み込まれており、ユーザーはモデルの切り替え、検出精度の調整、オブジェクトのフィルタリングを簡単に行えます。すべてがシンプルで使いやすいインターフェース内で管理されるため、手動のUI開発は不要です。

Ultralytics YOLO11の機能とStreamlitのデプロイの容易さを組み合わせることで、企業や開発者はAI駆動型アプリケーションを迅速にプロトタイプ化、テスト、および洗練させることができます。

私たちのcommunityに参加し、AIに関するさらなるインサイトを得るためにGitHub repositoryを探索してください。AI in manufacturingやcomputer vision in healthcare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。licensing optionsを確認して、今すぐ始めましょう！