Executa uma aplicação de IA interativa com Streamlit e Ultralytics YOLO11

Os modelos de visão computacional são ferramentas de IA impactantes que permitem às máquinas interpretar e analisar dados visuais, realizando tarefas como deteção de objetos, classificação de imagens e segmentação de instâncias com elevada precisão. No entanto, por vezes podem exigir conhecimentos técnicos adicionais, como desenvolvimento web ou competências de desenvolvimento de aplicações móveis, para serem implementados e tornados acessíveis a um público mais amplo.

Vejamos o Ultralytics YOLO11, por exemplo. É um modelo compatível com várias tarefas e útil numa vasta gama de aplicações. No entanto, sem alguns conhecimentos técnicos de front-end, criar e implementar uma interface intuitiva para uma interação perfeita pode parecer um pouco desafiante para alguns engenheiros de IA.

O Streamlit é uma framework de código aberto que visa facilitar este processo. É uma ferramenta baseada em Python para criar aplicações interativas sem desenvolvimento de front-end complexo. Quando combinado com o Ultralytics YOLO11, permite aos utilizadores carregar imagens, processar vídeos e visualizar resultados em tempo real com o mínimo esforço.

A Ultralytics leva isto um passo mais além com a sua solução Live Inference, tornando a integração com o Streamlit ainda mais fácil. Com um único comando, os utilizadores podem iniciar uma aplicação Streamlit para YOLO11 pré-criada, eliminando a necessidade de configuração e programação manuais.

Neste artigo, vamos explicar como configurar e executar o YOLO11 utilizando a solução Live Inference da Ultralytics com o Streamlit, tornando a implementação de IA em tempo real mais rápida e acessível.

O que é o Streamlit?#

O Streamlit é uma framework Python que simplifica a criação de aplicações web interativas. Os programadores de IA podem criar aplicações baseadas em IA sem terem de lidar com as complexidades do desenvolvimento de front-end.

Foi concebido para funcionar perfeitamente com modelos de IA e de machine learning. Com apenas algumas linhas de Python, os programadores podem criar uma interface onde os utilizadores carregam imagens, processam vídeos e interagem com modelos de IA.

Fig. 1. Principais funcionalidades do Streamlit. Imagem do autor.

Uma das suas principais funcionalidades é a renderização dinâmica. Quando os utilizadores fazem alterações, a aplicação é atualizada automaticamente, sem exigir o recarregamento manual das páginas.

Além disso, por ser leve e fácil de utilizar, o Streamlit funciona de forma eficiente tanto em máquinas locais como em plataformas na cloud. Isto torna-o uma excelente opção para implementar aplicações de IA, partilhar modelos com outras pessoas e proporcionar uma experiência de utilização intuitiva e interativa.

Ultralytics YOLO11: um modelo versátil de IA para visão#

Antes de vermos como executar inferências ao vivo com o Ultralytics YOLO11 numa aplicação Streamlit, vamos analisar mais de perto o que torna o YOLO11 tão fiável.

O Ultralytics YOLO11 é um modelo concebido para tarefas de visão computacional em tempo real, 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 da utilização do YOLO11 para deteção de objetos.

Uma das maiores vantagens do YOLO11 é a sua facilidade de utilização. Não são necessárias configurações complexas: os programadores podem instalar o pacote Python da Ultralytics e começar a fazer previsões com apenas algumas linhas de código.

O pacote Python da Ultralytics disponibiliza várias funcionalidades, permitindo aos utilizadores ajustar modelos e adaptar as definições de deteção. Também ajuda a otimizar o desempenho em diferentes dispositivos para uma implementação mais fluida.

Além da flexibilidade, o pacote Python da Ultralytics é compatível com integrações em várias plataformas, incluindo dispositivos edge, ambientes na cloud e sistemas equipados com GPU NVIDIA. Quer seja implementado num pequeno dispositivo incorporado ou num servidor cloud de grande escala, o YOLO11 adapta-se facilmente, tornando a IA avançada para visão mais acessível do que nunca.

Vantagens de utilizar o Streamlit com o Ultralytics YOLO11#

Podes estar a perguntar-te: como sei se o Streamlit é a opção de implementação certa para mim? Se procuras uma forma simples e eficiente em termos de código para executar o Ultralytics YOLO11 sem lidar com desenvolvimento de front-end, o Streamlit é uma boa opção — especialmente para prototipagem, projetos de prova de conceito (PoC) ou implementações destinadas a um número reduzido de utilizadores.

Simplifica o processo de trabalhar com o Ultralytics YOLO11, eliminando complexidade desnecessária e disponibilizando uma interface intuitiva para interação em tempo real. Eis algumas outras vantagens importantes:

• Controlos de IA personalizáveis: podes adicionar barras deslizantes, menus pendentes e botões à tua interface, permitindo aos utilizadores ajustar as definições de deteção e filtrar facilmente objetos específicos.

• Integração com outras ferramentas de IA: o Streamlit é compatível com integrações com NumPy, OpenCV, Matplotlib e outras bibliotecas de machine learning, melhorando as capacidades dos fluxos de trabalho de IA.

• Visualização interativa de dados: o suporte integrado para gráficos permite aos utilizadores visualizar facilmente resultados de deteção de objetos, segmentação ou informações de rastreamento.

• Adequado para colaboração: as aplicações Streamlit podem ser facilmente partilhadas com membros da equipa, partes interessadas ou clientes através de uma ligação simples, permitindo obter feedback e iterar instantaneamente.

Guia passo a passo para implementar o Ultralytics YOLO11 numa aplicação web Streamlit#

Agora que explorámos as vantagens de utilizar o Streamlit com o Ultralytics YOLO11, vamos explicar como executar tarefas de visão computacional em tempo real num navegador utilizando o Streamlit com o YOLO11.

Instalar o pacote Python da Ultralytics#

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

Depois de instalado, o YOLO11 está pronto a utilizar sem qualquer configuração complicada. Se encontrares problemas ao instalar os pacotes necessários, podes consultar o nosso Guia de problemas comuns para obter dicas e soluções de resolução de problemas.

Iniciar a aplicação Streamlit com o Ultralytics YOLO11#

Normalmente, terias de desenvolver um script Python utilizando componentes do Streamlit para executar o YOLO11. No entanto, a Ultralytics disponibiliza uma forma simples de executar o YOLO11 com o Streamlit.

A execução do script Python seguinte inicia imediatamente a aplicação Streamlit no teu navegador web predefinido:

Não é necessária qualquer configuração adicional. A interface da aplicação Streamlit inclui uma secção de carregamento de imagens e vídeos, um menu pendente para selecionar a variante do modelo Ultralytics YOLO11 pretendida e barras deslizantes para ajustar a confiança da deteção. Tudo está organizado de forma clara, permitindo aos utilizadores executar inferências facilmente sem escrever código adicional.

Executar inferências utilizando o Ultralytics YOLO11 na aplicação Streamlit#

Agora que a aplicação Streamlit está a ser executada no teu navegador web, vamos explorar como utilizá-la para executar inferências com o Ultralytics YOLO11.

Por exemplo, imaginemos que queremos analisar um ficheiro de vídeo para deteção de objetos. Eis os passos para carregar um ficheiro, selecionar um modelo e visualizar resultados em tempo real:

• Carregar um ficheiro de vídeo: seleciona "video" no menu pendente de configuração do utilizador, indicando à aplicação que deve processar um ficheiro pré-gravado em vez de uma transmissão de webcam.
• Escolher um modelo YOLO11: seleciona "YOLO11l" no menu pendente de modelos para deteção de objetos utilizando um modelo YOLO11 grande.
• Iniciar o processo de deteção: clica em "Start" para permitir que o Ultralytics YOLO11 analise o vídeo fotograma a fotograma e detete objetos em tempo real.
• Ver o vídeo processado: observa o vídeo a aparecer no ecrã com atualizações ao vivo, apresentando os objetos detetados com caixas delimitadoras.
• Interagir com os resultados no Streamlit: utiliza a interface para ajustar definições ou analisar deteções, tudo sem configuração ou programação adicionais.

Fig. 3. A interface da aplicação Streamlit do Ultralytics YOLO.

Casos de utilização do Streamlit e do Ultralytics YOLO11#

Vimos como o Streamlit é excelente para criar protótipos, ferramentas de investigação e aplicações de pequena a média dimensão. Oferece uma forma simples de implementar modelos de IA sem desenvolvimento de front-end complexo.

No entanto, executar o YOLO11 com o Streamlit nem sempre é uma solução pronta a utilizar — a menos que utilizes a aplicação Streamlit do Ultralytics YOLO que configurámos nos passos anteriores. Na maioria dos casos, é necessário algum trabalho de desenvolvimento para personalizar a aplicação de acordo com necessidades específicas. Embora o Streamlit simplifique a implementação, ainda terás de configurar os componentes necessários para garantir que o YOLO11 funciona corretamente.

Vamos explorar dois exemplos práticos de como o Ultralytics YOLO11 pode ser implementado eficazmente com o Streamlit em situações do mundo real.

Contar objetos para verificações de inventário utilizando o Ultralytics YOLO11#

Controlar o inventário em lojas, armazéns ou áreas de material de escritório pode ser demorado e propenso a erros. Ao utilizar o Ultralytics YOLO11 com o Streamlit, as empresas podem automatizar a contagem de objetos de forma rápida e eficiente, tornando esta uma excelente opção para uma prova de conceito (PoC) antes de avançarem para uma implementação de grande escala.

Com esta configuração, os utilizadores podem carregar uma imagem ou utilizar uma transmissão de câmara ao vivo, e o Ultralytics YOLO11 pode ajudar a detetar e contar objetos instantaneamente. A contagem em tempo real pode ser apresentada na interface do Streamlit, proporcionando uma forma fácil de monitorizar os níveis de stock sem esforço manual.

Por exemplo, o proprietário de uma loja pode digitalizar uma prateleira e ver imediatamente quantas garrafas, caixas ou produtos embalados estão presentes, sem ter de os contar manualmente. Ao tirar partido do Ultralytics YOLO11 e do Streamlit, as empresas podem reduzir o trabalho manual, melhorar a precisão e explorar a automatização com um investimento mínimo.

Fig. 4. Deteção de garrafas num frigorífico utilizando o Ultralytics YOLO11.

Reforçar 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 monitorização manual. Ao utilizar o Ultralytics YOLO11 com o Streamlit, as empresas podem configurar um simples sistema de segurança baseado em IA para detetar acessos não autorizados em tempo real.

É possível ligar uma transmissão de câmara à interface do Streamlit, onde o Ultralytics YOLO11 é utilizado para identificar e rastrear pessoas que entram em zonas restritas. Se for detetada uma pessoa não autorizada, o sistema pode acionar um alerta ou registar o evento para análise.

Por exemplo, o responsável de um armazém pode monitorizar o acesso a áreas de armazenamento de alta segurança, ou um escritório pode rastrear movimentos em secções restritas sem necessitar de supervisão constante.

Este pode ser um projeto revelador para empresas que pretendem explorar a monitorização de segurança orientada por IA para visão antes de avançarem para um sistema maior e totalmente automatizado. Ao integrar o Ultralytics YOLO11 com o Streamlit, as empresas podem reforçar a segurança, minimizar a monitorização manual e responder de forma mais eficaz a acessos não autorizados.

Dicas para monitorizar uma aplicação de IA interativa com o Streamlit#

A utilização de ferramentas como o Streamlit para implementar modelos de visão computacional ajuda a criar uma experiência interativa e intuitiva. No entanto, depois de configurar a interface ao vivo, é importante garantir que o sistema funciona de forma eficiente e fornece resultados precisos ao longo do tempo.

Eis alguns fatores importantes a considerar após a implementação:

• Monitorização regular: 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.
• Gestão de vários utilizadores e escalabilidade: à medida que a procura por parte dos utilizadores aumenta, otimizar a infraestrutura é essencial para manter o desempenho. As plataformas na cloud e as soluções de implementação escaláveis ajudam a garantir um funcionamento fluido.
• Manter o modelo atualizado: manter o modelo e as bibliotecas atualizados melhora a precisão, a segurança e o acesso a novas funcionalidades.

Principais conclusões#

A Ultralytics simplifica a implementação do YOLO11 com uma interface Streamlit ao vivo pronta a utilizar, que funciona com um único comando — sem necessidade de programação. Isto permite aos utilizadores começar imediatamente a utilizar a deteção de objetos em tempo real.

A interface também inclui personalização integrada, permitindo aos utilizadores trocar de modelo, ajustar a precisão da deteção e filtrar objetos facilmente. Tudo é gerido numa interface simples e intuitiva, eliminando a necessidade de desenvolvimento manual da interface de utilizador. Ao combinar

as capacidades do Ultralytics YOLO11 com a facilidade de implementação do Streamlit, as empresas e os programadores podem criar protótipos, testar e aperfeiçoar rapidamente aplicações orientadas por IA.

Faz parte da nossa comunidade e explora o nosso repositório do GitHub para obteres mais informações sobre IA. Consulta as nossas páginas de soluções para saberes mais sobre inovações como IA na indústria e visão computacional na área da saúde. Consulta as nossas opções de licenciamento e começa hoje!