18 de março de 2025
Saiba como executar inferências YOLO11 numa interface Streamlit e criar uma interface de IA interactiva para tarefas de visão por computador sem conhecimentos de programação.
Os modelos de visão computacional são ferramentas de IA impactantes que permitem que as 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 conhecimentos técnicos adicionais, como desenvolvimento web ou habilidades em aplicativos móveis, para serem implantados e tornados acessíveis a um público mais amplo.
Tomar Ultralytics YOLO11por exemplo. Trata-se de um modelo que suporta várias tarefas e é útil numa série de aplicações. No entanto, sem alguns conhecimentos técnicos de front-end, a criação e implementação de uma interface de fácil utilização para uma interação perfeita pode parecer um pouco desafiante para alguns engenheiros de IA.
Streamlit é uma estrutura de código aberto que tem como objetivo facilitar este processo. É uma ferramenta Python para criar aplicações interactivas sem um desenvolvimento front-end complexo. Quando emparelhado com o YOLO11, permite aos utilizadores carregar imagens, processar vídeos e visualizar resultados em tempo real com o mínimo de esforço.
Ultralytics leva isso um passo adiante com sua solução Live Inference, tornando a integração do Streamlit ainda mais fácil. Com um único comando, os utilizadores podem lançar uma aplicação Streamlit pré-construída para o YOLO11, eliminando a necessidade de configuração e codificação manuais.
Neste artigo, mostraremos como configurar e executar YOLO11 usando a solução Live Inference da Ultralyticscom o Streamlit, tornando a implantação de IA em tempo real mais rápida e acessível.
Streamlit é uma estrutura Python que simplifica a criação de aplicações Web interactivas. Os programadores de IA podem criar aplicações alimentadas por IA sem terem de lidar com as complexidades do desenvolvimento front-end.
Foi concebido para funcionar sem problemas com modelos de IA e de aprendizagem automática. Com apenas algumas linhas de Python, os programadores podem criar uma interface onde os utilizadores podem carregar imagens, processar vídeos e interagir com modelos de IA.
Uma das suas principais características é a renderização dinâmica. Quando os utilizadores fazem alterações, a aplicação atualiza-se automaticamente sem exigir recarregamentos manuais da página.
Além disso, como é leve e fácil de usar, o Streamlit é executado de forma eficiente tanto em máquinas locais quanto em plataformas de nuvem. Isso o torna uma ótima opção para implementar aplicações de IA, compartilhar modelos com outras pessoas e fornecer uma experiência de usuário intuitiva e interativa.
Antes de nos debruçarmos sobre a forma de executar inferências em tempo real com o Ultralytics YOLO11 numa aplicação Streamlit, vamos analisar mais detalhadamente o que torna YOLO11 tão fiável.
Ultralytics YOLO11 é um modelo concebido para tarefas de visão por computador em tempo real, como deteção de objectos, segmentação de instâncias e estimativa de pose. Apresenta um desempenho de alta velocidade com uma precisão impressionante.
Uma das maiores vantagens do YOLO11é a sua facilidade de utilização. Não há necessidade de configurações complexas; os programadores podem instalar o pacote Ultralytics Python e começar a fazer previsões com apenas algumas linhas de código.
O pacote Ultralytics Python fornece uma série de funcionalidades, permitindo aos utilizadores afinar modelos e ajustar as definições de deteção. Também ajuda a otimizar o desempenho em diferentes dispositivos para uma implementação mais suave.
Além da flexibilidade, o pacote Ultralytics Python suporta integrações em várias plataformas, incluindo dispositivos de ponta, ambientes de nuvem e sistemasGPU NVIDIA . Quer seja implementado num pequeno dispositivo incorporado ou num servidor em nuvem de grande escala, YOLO11 adapta-se sem esforço, tornando a IA de visão avançada mais acessível do que nunca.
Você pode estar se perguntando, como eu sei se Streamlit é a opção de implantação certa para mim? Se procura uma forma simples e eficiente em termos de código para executar YOLO11 sem ter de lidar com o desenvolvimento de front-end, o Streamlit é uma boa opção - especialmente para prototipagem, projectos de prova de conceito (PoC) ou implementações destinadas a um número reduzido de utilizadores.
Simplifica o processo de trabalho com o YOLO11 , eliminando a complexidade desnecessária e fornecendo uma interface intuitiva para interação em tempo real. Eis algumas outras vantagens importantes:
Agora que explorámos os benefícios da utilização do Streamlit com o YOLO11, vamos ver como executar tarefas de visão computacional em tempo real num browser utilizando o Streamlit com o YOLO11.
O primeiro passo é instalar o pacoteUltralytics Python . Isto pode ser feito utilizando o seguinte comando:
Uma vez instalado, YOLO11 está pronto a ser utilizado sem qualquer configuração complicada. Se encontrar algum problema durante a instalação dos pacotes necessários, pode consultar o nosso Guia de Problemas Comuns para obter dicas e soluções de resolução de problemas.
Normalmente, seria necessário desenvolver um script Python utilizando componentes Streamlit para executar YOLO11. No entanto, Ultralytics fornece uma forma simples de executar YOLO11 com o Streamlit.
Executar o seguinte script Python irá lançar instantaneamente a aplicação Streamlit no seu 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 YOLO11 em que está interessado e barras deslizantes para ajustar a confiança na deteção. Tudo está bem organizado, o que permite aos utilizadores executar inferências sem esforço e sem escrever código adicional.
Agora que a aplicação Streamlit está a ser executada no seu navegador Web, vamos explorar a forma de a utilizar 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 os resultados em tempo real:
Analisamos 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 YOLO11 com o Streamlit nem sempre é uma solução pronta para uso - a menos que você use o aplicativo Ultralytics YOLO Streamlit que configuramos nas etapas acima. Na maioria dos casos, é necessário algum trabalho de desenvolvimento para personalizar o aplicativo de acordo com as necessidades específicas. Embora o Streamlit simplifique a implantação, você ainda precisará configurar os componentes necessários para garantir que YOLO11 funcione sem problemas.
Vamos explorar dois exemplos práticos de como Ultralytics YOLO11 pode ser efetivamente implementado com o Streamlit em cenários reais.
Manter track do inventário em lojas de retalho, armazéns ou áreas de material de escritório pode ser moroso e propenso a erros. Utilizando YOLO11 com o Streamlit, as empresas podem automatizar a contagem de objectos de forma rápida e eficiente, o que o torna uma excelente opção para uma prova de conceito (PoC) antes de se comprometerem com uma implementação em grande escala.
Com esta configuração, os utilizadores podem carregar uma imagem ou utilizar uma câmara em direto, e YOLO11 pode ajudar a detect e contar instantaneamente os objectos. A contagem em tempo real pode ser apresentada na interface 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 YOLO11 e do Streamlit, as empresas podem reduzir o trabalho manual, melhorar a precisão e explorar a automatização com um investimento mínimo.
Manter áreas restritas seguras em escritórios, armazéns ou locais de eventos pode ser difícil, especialmente com monitorização manual. Utilizando YOLO11 com o Streamlit, as empresas podem configurar um sistema de segurança simples alimentado por IA para detect acessos não autorizados em tempo real.
Um feed de câmara pode ser ligado à interface Streamlit, onde YOLO11 é utilizado para identificar e track as pessoas que entram em zonas restritas. Se for detectada uma pessoa não autorizada, o sistema pode acionar um alerta ou registar o evento para análise.
Por exemplo, um gestor de armazém pode monitorizar o acesso a áreas de armazenamento de alta segurança, ou um escritório pode track movimento em secções restritas sem necessitar de supervisão constante.
Este pode ser um projeto revelador para as empresas que pretendam explorar a monitorização de segurança orientada para a IA da Vision antes de se comprometerem com um sistema maior e totalmente automatizado. Ao integrar YOLO11 com o Streamlit, as empresas podem aumentar a segurança, minimizar a monitorização manual e responder a acessos não autorizados de forma mais eficaz.
A utilização de ferramentas como o Streamlit para implementar modelos de visão computacional ajuda a criar uma experiência interativa e de fácil utilização. No entanto, após configurar a interface ao vivo, é importante garantir que o sistema funciona de forma eficiente e fornece resultados precisos ao longo do tempo.
Aqui estão alguns fatores-chave a serem considerados após a implementação:
Ultralytics simplifica a implementação YOLO11 com uma interface Streamlit live pronta a utilizar que é executada com um único comando - sem necessidade de codificação. Isto permite que os utilizadores comecem a utilizar instantaneamente a deteção de objectos em tempo real.
A interface também inclui personalização integrada, permitindo que os usuários troquem de modelo, 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 da interface do usuário. Ao combinar
Com as capacidades do YOLO11e a facilidade de implementação do Streamlit, as empresas e os programadores podem rapidamente criar protótipos, testar e aperfeiçoar aplicações baseadas em IA.
Faça parte da nossa comunidade e explore nosso repositório GitHub para obter mais informações sobre IA. Consulte nossas páginas de soluções para saber mais sobre inovações como IA na indústria manufatureira e visão computacional na área da saúde. Confira nossas opções de licenciamento e comece hoje mesmo!
