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

コンピュータビジョンモデルは、機械が視覚データを解釈・分析することを可能にする影響力のある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、これらをデプロイし、より幅広いユーザーに利用してもらうためには、Web開発やモバイルアプリのスキルといった専門的な技術知識が必要になる場合があります。

例えばUltralytics YOLO11を考えてみましょう。これは多様なタスクをサポートし、さまざまなアプリケーションで役立つモデルです。しかし、フロントエンドの技術的知識が少しでもないと、円滑なインタラクションのための使いやすいインターフェースを構築し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かもしれません。

Streamlitは、このプロセスを容易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。これは、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。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、ビデオを処理し、リアルタイムの結果を可視化できるようになります。

Ultralyticsは、そのLive Inferenceソリューションによってこれをさらに一歩進め、Streamlitの統合をさらに容易にしました。コマンドを1つ実行するだけで、ユーザーは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、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。

Link to this sectionStreamlit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。

Link to this sectionUltralytics 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コンピュータビジョンのタスク向けに設計されたモデルです。印象的な精度で高速なパフォーマンスを提供します。

図2： YOLO11を物体検出に使用する例。

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。

柔軟性に加え、Ultralyticsの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間での統合をサポートしています。小さな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ています。

Link to this sectionUltralytics YOLO11でStreamlitを使用する利点#

Streamlitが自分にとって適切なデプロイオプションかどうか疑問に思うかもしれません。フロントエンド開発に対処せずに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なら、Streamlitは良い選択肢です。特にプロトタイピング、概念実証（PoC）プロジェクト、あるいは少数のユーザーを対象としたデプロイメントには最適です。

不要な複雑さを排除し、リアルタイムのやり取りのための直感的なインターフェースを提供することで、YOLO11を使用するプロセスを合理化します。その他の主な利点は次の通りです。

• 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。

Link to this sectionYOLO11をStreamlit Webアプリにデプロイするためのステップバイステップガイド#

YOLO11でStreamlitを使用する利点を探求したところで、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のタスクを実行する方法を見ていきましょう。

Link to this sectionUltralytics 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。これは以下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、共通の問題ガイドを参照してトラブルシューティングのヒントや解決策を確認してください。

Link to this sectionYOLO11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。

追加の構成は必要ありません。Streamlitアプリケーションのインターフェースには、画像やビデオのアップロードセクション、興味のあるYOLO11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。すべてが整理されているため、ユーザーは追加のコードを書かずに、簡単に推論を実行できます。

Link to this sectionStreamlitアプリケーションでYOLO11を使用して推論を実行する#

WebブラウザでStreamlitアプリケーションが実行されたので、それを使用してYOLO11で推論を実行する方法を探りましょう。

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： 「Start」をクリックすると、YOLO11がビデオ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。

Link to this sectionStreamlitと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。

Link to this sectionYOLO11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、事務用品エリアでの在庫追跡は時間がかかり、エラーが発生しやすい作業です。YOLO11とStreamlitを使用することで、企業は物体カウントを迅速かつ効率的に自動化できます。これは、大規模なデプロイメントに取り組む前の概念実証（PoC）として優れた選択肢です。

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でき、YOLO11は即座に物体を検出しカウントできます。リアルタイムのカウントはStreamlitインターフェースに表示されるため、手動で作業することなく在庫レベルを監視する簡単な方法を提供します。

例えば、店主は棚をスキャンし、ボトル、箱、パッケージ商品がいくつあるかを、手作業でカウントすることなく即座に確認できます。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探求できます。

図4：YOLO11を使用して冷蔵庫内のボトルを検出。

Link to this sectionYOLO11とStreamlitでセキュリティを強化する#

オフィス、倉庫、イベント会場の制限区域を安全に保つことは、特に手動での監視が必要な場合、困難なことがあります。YOLO11とStreamlitを使用することで、企業はAIを活用したシンプルなセキュリティシステムをセットアップし、不正な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し、YOLO11を使用して制限区域に侵入する人物を識別・追跡します。許可されていない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、より大規模で完全に自動化されたシステムに取り組む前に、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、有意義なプロジェクトになり得ます。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、不正アクセスに対してより効果的に対応できます。

Link to this sectionStreamlit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。

• 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、モデルの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。

Link to this section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。

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を活用したアプリケーションを迅速にプロトタイプ、テスト、洗練させることができます。

私たちのコミュニティに参加し、AIに関するさらなるインサイトを得るためにGitHubリポジトリを探索してください。製造におけるAIやヘルスケアにおけるコンピュータビジョンといったイノベーションの詳細については、ソリューションページをご覧ください。私たちのライセンスオプションをチェックして、今日から始めましょう！