Execute um aplicativo interativo de IA com Streamlit e Ultralytics YOLO11

Os modelos de visão computacional são ferramentas de IA importantes que permitem às máquinas interpretar e analisar dados visuais, realizando tarefas como detecção de objetos, classificação de imagens e segmentação de instâncias com alta precisão. No entanto, às vezes, a implantação desses modelos e a disponibilização deles para um público mais amplo exigem conhecimentos técnicos adicionais, como desenvolvimento web ou de aplicativos móveis.

Vejamos o Ultralytics YOLO11, por exemplo. É um modelo compatível com várias tarefas e útil numa diversidade de aplicações. No entanto, sem alguns conhecimentos técnicos de front-end, criar e implementar uma interface fácil de utilizar pode ser um pouco difícil para alguns engenheiros de IA.

O Streamlit é uma estrutura de código aberto que busca facilitar esse processo. É uma ferramenta baseada em Python para criar aplicações interativas sem desenvolvimento front-end complexo. Quando combinado com o Ultralytics YOLO11, permite que os usuários carreguem imagens, processem vídeos e visualizem resultados em tempo real com o mínimo de esforço.

A Ultralytics vai além com sua solução Live Inference, facilitando ainda mais a integração com o Streamlit. Com um único comando, os usuários podem iniciar um aplicativo Streamlit para YOLO11 pré-criado, sem precisar configurar ou programar manualmente.

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

O que é o Streamlit?#

O Streamlit é uma estrutura Python que simplifica a criação de aplicações web interativas. Desenvolvedores de IA podem criar aplicativos com tecnologia de IA sem precisar lidar com as complexidades do desenvolvimento front-end.

Foi concebido para funcionar bem com modelos de IA e aprendizagem automática. Com apenas algumas linhas de Python, os programadores podem criar uma interface que permite aos utilizadores carregar imagens, processar vídeos e interagir com modelos de IA.

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

Um de seus principais recursos é a renderização dinâmica. Quando os usuários fazem alterações, o aplicativo é atualizado automaticamente, sem exigir que a página seja recarregada manualmente.

Além disso, por ser leve e fácil de usar, o Streamlit funciona com eficiência tanto em máquinas locais quanto em plataformas de nuvem. Isso faz dele uma ótima opção para implantar aplicações de IA, compartilhar modelos com outras pessoas e oferecer uma experiência intuitiva e interativa.

Ultralytics YOLO11: um modelo versátil de IA de visão#

Antes de nos aprofundarmos em como executar inferências ao vivo com o Ultralytics YOLO11 em um aplicativo Streamlit, vamos analisar mais de perto o que torna o YOLO11 tão confiável.

O Ultralytics YOLO11 é um modelo concebido para tarefas de visão por computador em tempo real, como deteção de objetos, segmentação de instâncias e estimativa de pose. Oferece elevado desempenho e precisão.

Fig. 2. Exemplo de uso do YOLO11 para detecção de objetos.

Uma das maiores vantagens do YOLO11 é a 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 Ultralytics Python oferece diversos recursos, permitindo que os usuários ajustem os modelos e configurem as definições de detecção. Ele também ajuda a otimizar o desempenho em diferentes dispositivos para facilitar a implantação.

Além da flexibilidade, o pacote Python da Ultralytics suporta integrações em várias plataformas, incluindo dispositivos de periferia, ambientes na cloud e sistemas equipados com GPUs NVIDIA. Quer seja implementado num pequeno dispositivo integrado ou num servidor cloud de grande escala, o YOLO11 adapta-se ao hardware de destino, tornando a IA visual avançada mais acessível.

Vantagens de usar o Streamlit com Ultralytics YOLO11#

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

O Streamlit simplifica o trabalho com o Ultralytics YOLO11, eliminando complexidades desnecessárias e oferecendo uma interface intuitiva para interação em tempo real. Veja outras vantagens importantes:

• Controles de IA personalizáveis: você pode adicionar controles deslizantes, menus suspensos e botões à interface, permitindo que os usuários ajustem as configurações de detecção e filtrem objetos específicos com facilidade.
• Integração com outras ferramentas de IA: o Streamlit é compatível com NumPy, OpenCV, Matplotlib e outras bibliotecas de aprendizado de máquina, ampliando os recursos dos fluxos de trabalho de IA.
• Visualização interativa de dados: O suporte integrado para gráficos permite aos utilizadores visualizar deteções de objetos, resultados de segmentação ou informações de seguimento.
• Facilidade de colaboração: os aplicativos Streamlit podem ser compartilhados facilmente com colegas de equipe, partes interessadas ou clientes por meio de um link simples, permitindo receber feedback e iterar imediatamente.

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

Agora que exploramos as vantagens de usar o Streamlit com Ultralytics YOLO11, vamos ver como executar tarefas de visão computacional em tempo real no navegador usando o Streamlit com YOLO11.

Instalação do pacote Ultralytics Python#

O primeiro passo é instalar o pacote Ultralytics Python. Você pode fazer isso com o seguinte comando:

pip install ultralytics

Após a instalação, o YOLO11 estará pronto para uso, sem configurações complicadas. Se você encontrar algum problema ao instalar os pacotes necessários, consulte nosso Guia de problemas comuns para ver dicas e soluções de diagnóstico.

Como iniciar o aplicativo Streamlit com Ultralytics YOLO11#

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

Executa o seguinte script Python com streamlit run path/to/file.py para abrir a aplicação Streamlit no teu navegador predefinido:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # podes utilizar qualquer modelo suportado pela Ultralytics ou um modelo treinado à medida
)

inf.inference()

Não é necessária qualquer configuração adicional. A interface da aplicação Streamlit inclui uma secção para carregar imagens e vídeos, um menu pendente para selecionar a variante do modelo Ultralytics YOLO11 que pretendes utilizar e controlos deslizantes para ajustar a confiança da deteção. Está tudo organizado de forma clara, permitindo aos utilizadores executar inferências sem escrever código adicional.

Execução de inferências com Ultralytics YOLO11 no aplicativo Streamlit#

Agora que o aplicativo Streamlit está em execução no seu navegador, vamos ver como usá-lo para executar inferências com Ultralytics YOLO11.

Por exemplo, digamos que queremos analisar um arquivo de vídeo para detectar objetos. Veja as etapas para carregar um arquivo, selecionar um modelo e visualizar os resultados em tempo real:

• Carregue um arquivo de vídeo: selecione "video" no menu suspenso de configuração do usuário. Assim, o aplicativo processará um arquivo pré-gravado em vez de uma transmissão de webcam.
• Escolha um modelo YOLO11: selecione "YOLO11l" no menu suspenso de modelos para detectar objetos usando um modelo YOLO11 grande.
• Iniciar o processo de deteção: clica em «Start» para que o Ultralytics YOLO11 analise o vídeo fotograma a fotograma e detete objetos em tempo real.
• Visualize o vídeo processado: acompanhe o vídeo na tela com atualizações ao vivo, que mostram os objetos detectados com caixas delimitadoras.
• Interaja com os resultados no Streamlit: use a interface para ajustar as configurações ou analisar as detecções, sem nenhuma configuração ou programação adicional.

Fig. 3. Interface do aplicativo Ultralytics YOLO Streamlit.

Casos de uso do Streamlit com Ultralytics YOLO11#

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

No entanto, executar o 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 necessidades específicas. Embora o Streamlit simplifique a implantação, ainda é preciso configurar os componentes necessários para garantir que o YOLO11 funcione sem problemas.

Vamos conhecer dois exemplos práticos de como implantar o Ultralytics YOLO11 com o Streamlit de forma eficaz em situações reais.

Contagem de objetos para conferência de estoque com Ultralytics YOLO11#

Controlar o estoque em lojas, depósitos ou áreas de materiais de escritório pode consumir muito tempo e estar sujeito a erros. Com o Ultralytics YOLO11 e o Streamlit, as empresas podem automatizar a contagem de objetos de forma rápida e eficiente, o que é uma ótima opção para uma prova de conceito (PoC) antes de investir em uma implantação de grande escala.

Com essa configuração, os usuários podem carregar uma imagem ou usar uma transmissão ao vivo da câmera, e o Ultralytics YOLO11 pode ajudar a detectar e contar objetos imediatamente. A contagem em tempo real pode ser exibida na interface do Streamlit, oferecendo uma maneira simples de monitorar os níveis de estoque sem trabalho manual.

Por exemplo, o proprietário de uma loja pode examinar uma prateleira e ver imediatamente quantas garrafas, caixas ou mercadorias embaladas estão nela, sem precisar contá-las manualmente. Com o Ultralytics YOLO11 e o Streamlit, as empresas podem reduzir o trabalho manual, aumentar a precisão e explorar a automação com um investimento mínimo.

Fig. 4. Detecção de garrafas em uma geladeira com Ultralytics YOLO11.

Reforço da segurança com Ultralytics YOLO11 e Streamlit#

Manter áreas restritas seguras em escritórios, armazéns ou locais de eventos pode ser difícil, especialmente com monitoramento manual. Com o Ultralytics YOLO11 e o Streamlit, as empresas podem configurar um sistema de segurança simples com tecnologia de IA para detectar acessos não autorizados em tempo real.

É possível conectar uma transmissão de câmera à interface do Streamlit, onde o Ultralytics YOLO11 identifica e acompanha pessoas que entram em zonas restritas. Se uma pessoa não autorizada for detectada, o sistema poderá disparar um alerta ou registrar o evento para análise.

Por exemplo, um gerente de armazém pode monitorar o acesso a áreas de armazenamento de alta segurança, ou um escritório pode acompanhar a movimentação em setores restritos sem precisar de supervisão constante.

Este pode ser um projeto-piloto útil para empresas que queiram explorar a monitorização de segurança com IA visual antes de se comprometerem com um sistema maior e totalmente automatizado. Ao integrarem o Ultralytics YOLO11 com o Streamlit, as empresas podem reforçar a segurança, reduzir a monitorização manual e responder de forma mais eficaz a acessos não autorizados.

Dicas para monitorar um aplicativo interativo de IA com Streamlit#

O uso de ferramentas como o Streamlit para implantar modelos de visão computacional ajuda a criar uma experiência interativa e fácil de usar. No entanto, depois de configurar a interface ao vivo, é importante garantir que o sistema funcione com eficiência e forneça resultados precisos ao longo do tempo.

Veja alguns fatores importantes a considerar após a implantação:

• Monitoramento regular: acompanhe 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 cair.
• Gerenciamento de vários usuários e escalabilidade: à medida que a demanda dos usuários aumenta, otimizar a infraestrutura é essencial para manter o desempenho. Plataformas de nuvem e soluções de implantação escaláveis ajudam a garantir um funcionamento estável.
• Mantenha o modelo atualizado: manter o modelo e as bibliotecas atualizados melhora a precisão, a segurança e o acesso a novos recursos.

Principais conclusões#

A Ultralytics simplifica a implantação do YOLO11 com uma interface ao vivo do Streamlit pronta para uso, executada com um único comando — sem necessidade de programação. Assim, os usuários podem começar a usar a detecção de objetos em tempo real imediatamente.

A interface também inclui opções de personalização integradas, que permitem aos utilizadores mudar de modelo, ajustar os limiares de confiança e filtrar objetos com facilidade. Tudo é gerido numa interface simples e fácil de utilizar, eliminando a necessidade de desenvolver manualmente a interface do utilizador.

Ao combinarem as capacidades do Ultralytics YOLO11 com a facilidade de implementação do Streamlit, empresas e programadores podem criar protótipos, testar e aperfeiçoar rapidamente aplicações baseadas em IA.

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