Execute um app de IA interativo com Streamlit e Ultralytics YOLO11

Modelos de visão computacional são ferramentas de IA impactantes que permitem que máquinas interpretem e analisem dados visuais, realizando tarefas como detecção de objetos, classificação de imagens e segmentação de instâncias com alta precisão. No entanto, às vezes eles podem exigir conhecimento técnico adicional, como habilidades de desenvolvimento web ou de aplicativos móveis, para serem implantados e disponibilizados a um público mais amplo.

Veja o Ultralytics YOLO11, por exemplo. É um modelo que suporta várias tarefas e é útil em uma gama de aplicações. Contudo, sem algum conhecimento técnico de front-end, construir e implantar uma interface amigável para uma interação perfeita pode parecer um pouco desafiador para alguns engenheiros de IA.

Streamlit é um framework de código aberto que visa tornar este processo mais fácil. É uma ferramenta baseada em Python para construir aplicações interativas sem desenvolvimento front-end complexo. Quando pareado com YOLO11, ele permite que os usuários enviem imagens, processem vídeos e visualizem resultados em tempo real com esforço mínimo.

A Ultralytics leva isso um passo adiante com sua solução de Inferência ao Vivo, tornando a integração com Streamlit ainda mais fácil. Com um único comando, os usuários podem iniciar um aplicativo Streamlit para YOLO11 pré-construído, eliminando a necessidade de configuração manual e programação.

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.

Link to this sectionO 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.

Link to this sectionUltralytics 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 projetado para tarefas de visão computacional em tempo real, como detecção de objetos, segmentação de instâncias e estimativa de pose. Ele oferece desempenho de alta velocidade com precisão impressionante.

Fig 2. Um exemplo de uso do YOLO11 para detecção 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 integrações em múltiplas plataformas, incluindo dispositivos de borda, ambientes em nuvem e sistemas habilitados com GPU NVIDIA. Seja implantado em um pequeno dispositivo embarcado ou em um servidor de nuvem de grande escala, o YOLO11 se adapta sem esforço, tornando a IA de visão avançada mais acessível do que nunca.

Link to this sectionBenefícios de usar Streamlit com Ultralytics YOLO11#

Você pode 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 para executar o YOLO11 sem lidar com desenvolvimento 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 YOLO11 eliminando complexidade desnecessária e fornecendo uma interface intuitiva para interação em tempo real. Aqui estão algumas outras vantagens importantes:

• 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.

Link to this sectionGuia passo a passo para implantar o YOLO11 em um aplicativo web Streamlit#

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

Link to this sectionInstalando o pacote Python da Ultralytics#

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

Uma vez instalado, o YOLO11 está pronto para uso sem qualquer configuração complicada. Se você encontrar problemas ao instalar os pacotes necessários, pode consultar nosso Guia de Problemas Comuns para dicas de solução de problemas.

Link to this sectionIniciando a aplicação Streamlit com 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 YOLO11 de seu interesse e seletores para ajustar a confiança da detecção. Tudo está bem organizado, tornando possível para os usuários executarem inferências sem esforço, sem escrever código extra.

Link to this sectionExecutando inferências usando o YOLO11 na aplicação Streamlit#

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

Link to this sectionCasos de uso usando Streamlit e 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.

Link to this sectionContagem de objetos para verificações de inventário usando YOLO11#

Manter o controle de inventário em lojas de varejo, depósitos ou áreas de materiais de escritório pode ser demorado e propenso a erros. Usando o YOLO11 com 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 carregar uma imagem ou usar um feed de câmera ao vivo, e o YOLO11 pode ajudar a detectar e contar objetos instantaneamente. A contagem em tempo real pode ser exibida na interface do Streamlit, proporcionando uma maneira fácil de monitorar os níveis de estoque sem esforço manual.

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

Fig 4. Detectando garrafas em uma geladeira usando YOLO11.

Link to this sectionAumentando a segurança com YOLO11 e Streamlit#

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

Um feed de câmera pode ser conectado à interface do Streamlit, onde o YOLO11 é usado para identificar e rastrear pessoas entrando 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 orientado por IA de visão antes de se comprometerem com um sistema maior e totalmente automatizado. Ao integrar o YOLO11 com o Streamlit, as empresas podem aprimorar a segurança, minimizar o monitoramento manual e responder a acessos não autorizados de forma mais eficaz.

Link to this sectionDicas 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:

• Monitoramento regular: Rastreie a precisão da detecção, a velocidade de inferência e o uso de recursos. Ajuste os parâmetros do modelo ou atualize 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.

Link to this sectionPrincipais 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

as capacidades do YOLO11 com a facilidade de implantação do Streamlit, empresas e desenvolvedores podem prototipar, testar e refinar rapidamente aplicações orientadas por IA.

Torna-te parte da nossa comunidade e explora o nosso repositório GitHub para mais perceções sobre IA. Dá uma vista de olhos nas nossas páginas de soluções para aprender mais sobre inovações como a IA no fabrico e a visão computacional nos cuidados de saúde. Confere as nossas opções de licenciamento e começa hoje mesmo!