Execute um app de IA interativo com Streamlit e Ultralytics YOLO11

Os Computer vision models são ferramentas de IA impactantes que permitem às máquinas interpretar e analisar dados visuais, executando tarefas como deteção de objetos, classificação de imagens e segmentação de instâncias com alta precisão. No entanto, por vezes podem exigir conhecimentos técnicos adicionais, tais como competências de desenvolvimento Web ou de aplicações móveis, para serem implementados e disponibilizados a um público mais amplo.

Pensa no Ultralytics YOLO11, por exemplo. É um modelo que suporta várias tarefas e é útil numa vasta gama de aplicações. No entanto, sem alguns conhecimentos de front-end técnico, criar e implementar uma interface de fácil utilização para uma interação fluida pode parecer um pouco desafiante para alguns engenheiros de IA.

O Streamlit é um framework open-source que visa tornar esse processo mais fácil. É uma ferramenta baseada em Python para criar aplicações interativas sem desenvolvimento complexo de front-end. Quando combinado com o Ultralytics YOLO11, ele permite que os usuários enviem imagens, processem vídeos e visualizem resultados em tempo real com o mínimo de esforço.

A Ultralytics vai ainda mais longe com a sua solução Live Inference, tornando a integração com o Streamlit ainda mais fácil. Com um único comando, os utilizadores podem lançar uma Streamlit app for YOLO11 pré-criada, eliminando a necessidade de configuração e programação manuais.

Neste artigo, vamos percorrer como configurar e executar o YOLO11 usando a solução de Inferência ao Vivo da Ultralytics com Streamlit, tornando a implantação de IA em tempo real mais rápida e acessível.

O que é Streamlit?#

Streamlit é um framework Python que simplifica a criação de aplicações web interativas. Desenvolvedores de IA podem construir aplicativos baseados em IA sem ter que lidar com as complexidades do desenvolvimento front-end.

Ele foi projetado para funcionar perfeitamente com modelos de IA e aprendizado de máquina. Com apenas algumas linhas de Python, os desenvolvedores podem criar uma interface onde os usuários podem carregar imagens, processar vídeos e interagir com modelos de IA.

Fig 1. Principais recursos do Streamlit. Imagem pelo autor.

Um de seus principais recursos é a renderização dinâmica. Quando os usuários fazem alterações, o aplicativo é atualizado automaticamente sem exigir recarregamentos manuais de página.

Além disso, como é leve e fácil de usar, o Streamlit funciona de forma eficiente tanto em máquinas locais quanto em plataformas em nuvem. Isso o torna uma ótima escolha para implantar aplicações de IA, compartilhar modelos com outras pessoas e fornecer uma experiência de usuário intuitiva e interativa.

Ultralytics YOLO11: Um modelo de IA de visão versátil#

Antes de mergulhar em como executar inferências ao vivo com Ultralytics YOLO11 em uma aplicação Streamlit, vamos dar uma olhada mais de perto no que torna o YOLO11 tão confiável.

O Ultralytics YOLO11 é um modelo concebido para computer vision tasks em tempo real, tais como deteção de objetos, segmentação de instâncias e estimativa de pose. Oferece um desempenho de alta velocidade com uma precisão impressionante.

Fig 2. Um exemplo de utilização do YOLO11 para deteção de objetos.

Uma das maiores vantagens do YOLO11 é a sua facilidade de uso. Não há necessidade de configurações complexas; desenvolvedores podem instalar o pacote Python da Ultralytics e começar a fazer previsões com apenas algumas linhas de código.

O pacote Python da Ultralytics oferece uma gama de recursos, permitindo que os usuários ajustem modelos e alterem as configurações de detecção. Ele também ajuda a otimizar o desempenho em diferentes dispositivos para uma implantação mais fluida.

Além da flexibilidade, o pacote Python da Ultralytics suporta integrations em várias plataformas, incluindo dispositivos de ponta (edge devices), ambientes de nuvem e sistemas com GPU NVIDIA. Quer seja implementado num pequeno dispositivo incorporado ou num servidor em nuvem de grande escala, o YOLO11 adapta-se sem esforço, tornando a IA de visão avançada mais acessível do que nunca.

Benefícios de usar Streamlit com Ultralytics YOLO11#

Você deve estar se perguntando: como saber se o Streamlit é a opção de implantação certa para mim? Se você está procurando uma maneira simples e eficiente em termos de código de executar o Ultralytics YOLO11 sem lidar com o desenvolvimento de front-end, o Streamlit é uma boa opção — especialmente para prototipagem, projetos de prova de conceito (PoC) ou implantações voltadas para um número menor de usuários.

Ele simplifica o processo de trabalho com o Ultralytics YOLO11, eliminando complexidade desnecessária e fornecendo uma interface intuitiva para interação em tempo real. Aqui estão algumas outras vantagens principais:

• Controles de IA personalizáveis: Você pode adicionar seletores (sliders), menus suspensos e botões à sua interface, permitindo que os usuários ajustem facilmente as configurações de detecção e filtrem objetos específicos.

• Integração com outras ferramentas de IA: O Streamlit suporta integração com NumPy, OpenCV, Matplotlib e outras bibliotecas de aprendizado de máquina, aprimorando as capacidades do fluxo de trabalho de IA.

• Visualização de dados interativa: O suporte integrado para tabelas e gráficos permite que os usuários visualizem resultados de detecção de objetos, segmentação ou insights de rastreamento sem esforço.

• Fácil colaboração: Aplicativos Streamlit podem ser facilmente compartilhados com membros da equipe, partes interessadas ou clientes através de um link simples, permitindo feedback e iteração instantâneos.

Guia passo a passo para implantar o Ultralytics YOLO11 em um aplicativo web Streamlit#

Agora que exploramos os benefícios de usar o Streamlit com o Ultralytics YOLO11, vamos ver como executar tarefas de visão computacional em tempo real em um navegador usando o Streamlit com o YOLO11.

Instalando o pacote Python da Ultralytics#

O primeiro passo é instalar o Ultralytics Python package. Isto pode ser feito utilizando o seguinte comando:

Uma vez instalado, o YOLO11 está pronto a ser utilizado sem qualquer configuração complicada. Se encontrares algum problema ao instalar os pacotes necessários, podes consultar o nosso Common Issues Guide para obteres dicas de resolução de problemas e soluções.

Iniciando o aplicativo Streamlit com o Ultralytics YOLO11#

Normalmente, você precisaria desenvolver um script Python usando componentes Streamlit para executar o YOLO11. No entanto, a Ultralytics fornece uma maneira simples de executar o YOLO11 com Streamlit.

Executar o seguinte script Python iniciará instantaneamente a aplicação Streamlit no seu navegador web padrão:

Nenhuma configuração adicional é necessária. A interface da aplicação Streamlit inclui uma seção de upload para imagens e vídeos, um menu suspenso para selecionar a variante do modelo Ultralytics YOLO11 que te interessa e controles deslizantes para ajustar a confiança da detecção. Tudo está organizado de forma clara, permitindo que os usuários executem inferências sem esforço, sem escrever código extra.

Executando inferências com o Ultralytics YOLO11 no aplicativo Streamlit#

Agora que a aplicação Streamlit está rodando no seu navegador web, vamos explorar como usá-la para executar inferências com o Ultralytics YOLO11.

Por exemplo, digamos que queremos analisar um arquivo de vídeo para detecção de objetos. Aqui estão os passos para carregar um arquivo, selecionar um modelo e visualizar resultados em tempo real:

• Carregar um arquivo de vídeo: Selecione "video" no menu suspenso de configuração do usuário, o que diz ao aplicativo para processar um arquivo pré-gravado em vez de um feed de webcam.
• Escolha um modelo YOLO11: Selecione "YOLO11l" no menu suspenso de modelos para detecção de objetos usando um modelo YOLO11 grande.
• Iniciar o processo de detecção: Clique em "Iniciar", permitindo que o Ultralytics YOLO11 analise o vídeo quadro a quadro e detecte objetos em tempo real.
• Visualizar o vídeo processado: Assista enquanto o vídeo aparece na tela com atualizações ao vivo, exibindo objetos detectados com caixas delimitadoras (bounding boxes).
• Interagir com os resultados no Streamlit: Use a interface para ajustar configurações ou analisar detecções, tudo sem configuração extra ou programação.

Fig 3. A interface da aplicação Ultralytics YOLO Streamlit.

Casos de uso usando Streamlit e o Ultralytics YOLO11#

Demos uma olhada em como o Streamlit é ótimo para criar protótipos, ferramentas de pesquisa e aplicações de pequeno a médio porte. Ele oferece uma maneira simples de implantar modelos de IA sem desenvolvimento front-end complexo.

No entanto, executar o YOLO11 com Streamlit nem sempre é uma solução pronta para uso - a menos que você use a aplicação Ultralytics YOLO Streamlit que configuramos nos passos acima. Na maioria dos casos, algum trabalho de desenvolvimento é necessário para personalizar a aplicação para atender a necessidades específicas. Embora o Streamlit simplifique a implantação, você ainda precisará configurar os componentes necessários para garantir que o YOLO11 funcione sem problemas.

Vamos explorar dois exemplos práticos de como o Ultralytics YOLO11 pode ser efetivamente implantado com Streamlit em cenários do mundo real.

Contando objetos para verificações de inventário usando o Ultralytics YOLO11#

O controle de inventário em lojas de varejo, salas de armazenamento ou áreas de material de escritório pode consumir muito tempo e estar sujeito a erros. Usando o Ultralytics YOLO11 com o Streamlit, as empresas podem automatizar a contagem de objetos de forma rápida e eficiente, tornando-o uma ótima opção para uma prova de conceito (PoC) antes de se comprometer com uma implantação em grande escala.

Com essa configuração, os usuários podem enviar uma imagem ou usar um feed de câmera ao vivo, e o Ultralytics YOLO11 pode ajudar a detectar e contar objetos instantaneamente. A contagem em tempo real pode ser exibida na interface do Streamlit, fornecendo uma maneira fácil de monitorar níveis de estoque sem esforço manual.

Por exemplo, o proprietário de uma loja pode escanear uma prateleira e ver imediatamente quantas garrafas, caixas ou produtos embalados estão presentes, sem precisar contá-los manualmente. Ao aproveitar o Ultralytics YOLO11 e o Streamlit, as empresas podem reduzir o trabalho manual, melhorar a precisão e explorar a automação com o mínimo de investimento.

Fig. 4. Detectando garrafas em uma geladeira usando o Ultralytics YOLO11.

Aumentando a segurança com o Ultralytics YOLO11 e o Streamlit#

Manter áreas restritas seguras em escritórios, armazéns ou locais de eventos pode ser difícil, especialmente com monitoramento manual. Usando o Ultralytics YOLO11 com o Streamlit, as empresas podem configurar um sistema de segurança simples alimentado por IA para detectar acesso não autorizado em tempo real.

Um feed de câmera pode ser conectado à interface do Streamlit, onde o Ultralytics YOLO11 é usado para identificar e rastrear pessoas que entram em zonas restritas. Se uma pessoa não autorizada for detectada, o sistema pode disparar um alerta ou registrar o evento para revisão.

Por exemplo, um gerente de armazém pode monitorar o acesso a áreas de armazenamento de alta segurança, ou um escritório pode rastrear o movimento em seções restritas sem precisar de supervisão constante.

Este pode ser um projeto revelador para empresas que desejam explorar o monitoramento de segurança impulsionado por visão computacional antes de se comprometerem com um sistema maior e totalmente automatizado. Ao integrar o Ultralytics YOLO11 com o Streamlit, as empresas podem aprimorar a segurança, minimizar o monitoramento manual e responder ao acesso não autorizado de forma mais eficaz.

Dicas para monitorar uma aplicação de IA interativa com Streamlit#

Usar ferramentas como o Streamlit para implantar modelos de visão computacional ajuda a criar uma experiência interativa e amigável. No entanto, após configurar a interface ao vivo, é importante garantir que o sistema funcione de forma eficiente e entregue resultados precisos ao longo do tempo.

Aqui estão alguns fatores importantes a serem considerados após a implantação:

• Regular monitoring: Acompanha a precisão da deteção, a velocidade de inferência e a utilização de recursos. Ajusta os parâmetros do modelo ou atualiza o hardware se o desempenho diminuir.
• Gerenciamento de múltiplos usuários e escalabilidade: À medida que a demanda dos usuários cresce, otimizar a infraestrutura é fundamental para manter o desempenho. Plataformas de nuvem e soluções de implantação escaláveis ajudam a garantir uma operação tranquila.
• Mantendo o modelo atualizado: Manter o modelo e as bibliotecas atualizados aprimora a precisão, a segurança e o acesso a novos recursos.

Principais pontos#

A Ultralytics simplifica a implantação do YOLO11 com uma interface ao vivo do Streamlit pronta para uso que funciona com um único comando - sem necessidade de programação. Isso permite que os usuários comecem a usar a detecção de objetos em tempo real instantaneamente.

A interface também inclui personalização integrada, permitindo que os usuários alternem modelos, ajustem a precisão da detecção e filtrem objetos com facilidade. Tudo é gerenciado dentro de uma interface simples e amigável, eliminando a necessidade de desenvolvimento manual de IU. Ao combinar

Com as capacidades do Ultralytics YOLO11 aliadas à facilidade de implantação do Streamlit, empresas e desenvolvedores podem prototipar, testar e refinar rapidamente aplicações impulsionadas por IA.

Faça parte da nossa comunidade e explore nosso repositório no GitHub para mais insights sobre IA. Dê uma olhada em nossas páginas de soluções para saber mais sobre inovações como IA na manufatura e visão computacional na saúde. Confira nossas opções de licenciamento e comece hoje mesmo!