Запусти интерактивное ИИ-приложение с помощью Streamlit и Ultralytics YOLO11

Модели компьютерного зрения — это эффективные инструменты ИИ, которые позволяют машинам интерпретировать и анализировать визуальные данные, выполняя такие задачи, как обнаружение объектов, классификация изображений и сегментация экземпляров с высокой точностью. Однако для их развертывания и обеспечения доступности широкой аудитории иногда могут потребоваться дополнительные технические знания, например, навыки веб-разработки или создания мобильных приложений.

Возьмем, к примеру, Ultralytics YOLO11. Это модель, которая поддерживает различные задачи и полезна в широком спектре приложений. Однако без определенных знаний во фронтенд-разработке создание и развертывание удобного интерфейса для беспрепятственного взаимодействия может показаться некоторым ИИ-инженерам непростой задачей.

Streamlit — это фреймворк с открытым исходным кодом, который призван упростить этот процесс. Это инструмент на базе Python для создания интерактивных приложений без сложной фронтенд-разработки. В паре с YOLO11 он позволяет пользователям загружать изображения, обрабатывать видео и визуализировать результаты в реальном времени с минимальными усилиями.

Ultralytics делает еще один шаг вперед со своим решением Live Inference, которое еще больше упрощает интеграцию со Streamlit. С помощью одной команды пользователи могут запустить готовое приложение Streamlit для YOLO11, избавляя себя от необходимости ручной настройки и написания кода.

В этой статье мы расскажем, как настроить и запустить YOLO11 с помощью решения Ultralytics Live Inference и Streamlit, чтобы сделать развертывание ИИ в реальном времени быстрее и доступнее.

Link to this sectionЧто такое Streamlit?#

Streamlit — это Python-фреймворк, который упрощает создание интерактивных веб-приложений. ИИ-разработчики могут создавать приложения на основе ИИ, не вникая в тонкости фронтенд-разработки.

Он разработан для бесшовной работы с моделями ИИ и машинного обучения. Всего лишь с помощью нескольких строк на Python разработчики могут создать интерфейс, в котором пользователи смогут загружать изображения, обрабатывать видео и взаимодействовать с ИИ-моделями.

Рис. 1. Основные функции Streamlit. Изображение автора.

Одной из его ключевых функций является динамический рендеринг. Когда пользователи вносят изменения, приложение обновляется автоматически, не требуя ручной перезагрузки страницы.

Кроме того, поскольку он легкий и простой в использовании, Streamlit эффективно работает как на локальных машинах, так и на облачных платформах. Это делает его отличным выбором для развертывания ИИ-приложений, обмена моделями с другими пользователями и обеспечения интуитивно понятного, интерактивного взаимодействия.

Link to this sectionUltralytics YOLO11: универсальная модель машинного зрения#

Прежде чем погрузиться в то, как выполнять инференс в реальном времени с помощью Ultralytics YOLO11 в приложении Streamlit, давайте подробнее рассмотрим, что делает YOLO11 такой надежной.

Ultralytics YOLO11 — это модель, предназначенная для задач компьютерного зрения в реальном времени, таких как обнаружение объектов, сегментация экземпляров и оценка позы. Она обеспечивает высокую скорость работы с впечатляющей точностью.

Рис. 2. Пример использования YOLO11 для обнаружения объектов.

Одним из самых больших преимуществ YOLO11 является простота использования. Нет необходимости в сложных настройках; разработчики могут установить Python-пакет Ultralytics и начать делать предсказания с помощью всего нескольких строк кода.

Python-пакет Ultralytics предоставляет ряд функций, позволяющих пользователям дообучать модели и настраивать параметры обнаружения. Он также помогает оптимизировать производительность на различных устройствах для более плавного развертывания.

Помимо гибкости, Python-пакет Ultralytics поддерживает интеграции на нескольких платформах, включая периферийные устройства, облачные среды и системы с поддержкой NVIDIA GPU. Будь то развертывание на небольшом встроенном устройстве или крупном облачном сервере, YOLO11 адаптируется без усилий, делая передовое машинное зрение доступнее, чем когда-либо.

Link to this sectionПреимущества использования Streamlit с Ultralytics YOLO11#

Возможно, ты задаешься вопросом: как понять, подходит ли Streamlit для твоих задач по развертыванию? Если ты ищешь простой и эффективный способ запуска YOLO11 без необходимости заниматься фронтенд-разработкой, Streamlit — хороший вариант, особенно для прототипирования, проектов проверки концепции (PoC) или развертываний, ориентированных на небольшое количество пользователей.

Он оптимизирует процесс работы с YOLO11, устраняя ненужную сложность и предоставляя интуитивно понятный интерфейс для взаимодействия в реальном времени. Вот некоторые другие ключевые преимущества:

• Настраиваемые элементы управления ИИ: Ты можешь добавлять в свой интерфейс слайдеры, выпадающие списки и кнопки, позволяя пользователям легко настраивать параметры обнаружения и фильтровать конкретные объекты.

• Интеграция с другими ИИ-инструментами: Streamlit поддерживает интеграцию с NumPy, OpenCV, Matplotlib и другими библиотеками машинного обучения, расширяя возможности ИИ-рабочих процессов.

• Интерактивная визуализация данных: Встроенная поддержка диаграмм и графиков позволяет пользователям без усилий визуализировать результаты обнаружения объектов, сегментации или аналитику трекинга.

• Удобство для совместной работы: Приложениями Streamlit можно легко делиться с членами команды, заинтересованными сторонами или клиентами с помощью простой ссылки, обеспечивая мгновенную обратную связь и итерацию.

Link to this sectionПошаговое руководство по развертыванию YOLO11 в веб-приложении Streamlit#

Теперь, когда мы изучили преимущества использования Streamlit с YOLO11, давай пройдемся по тому, как выполнять задачи компьютерного зрения в реальном времени в браузере с помощью Streamlit и YOLO11.

Link to this sectionУстановка Python-пакета Ultralytics#

Первым делом необходимо установить Python-пакет Ultralytics. Это можно сделать с помощью следующей команды:

После установки YOLO11 готова к использованию без какой-либо сложной настройки. Если во время установки необходимых пакетов возникнут какие-либо проблемы, ты можешь обратиться к нашему Руководству по распространенным проблемам за советами и решениями.

Link to this sectionЗапуск приложения Streamlit с YOLO11#

Обычно для запуска YOLO11 тебе потребовалось бы разработать Python-скрипт с использованием компонентов Streamlit. Однако Ultralytics предоставляет простой способ запуска YOLO11 вместе со Streamlit.

Запуск следующего Python-скрипта мгновенно откроет приложение Streamlit в твоем веб-браузере по умолчанию:

Дополнительная конфигурация не требуется. Интерфейс приложения Streamlit включает раздел загрузки изображений и видео, выпадающее меню для выбора интересующего варианта модели YOLO11, а также слайдеры для настройки достоверности обнаружения. Все аккуратно организовано, что позволяет пользователям выполнять инференс без усилий и без написания дополнительного кода.

Link to this sectionВыполнение инференса с помощью YOLO11 в приложении Streamlit#

Теперь, когда приложение Streamlit запущено в веб-браузере, давай разберемся, как использовать его для выполнения инференса с помощью YOLO11.

Например, допустим, мы хотим проанализировать видеофайл для обнаружения объектов. Вот шаги по загрузке файла, выбору модели и просмотру результатов в реальном времени:

• Загрузи видеофайл: Выбери "video" в выпадающем меню конфигурации пользователя, что укажет приложению на необходимость обработки предварительно записанного файла вместо потока с веб-камеры.
• Выбери модель YOLO11: Выбери "YOLO11l" в выпадающем меню моделей для обнаружения объектов с использованием большой модели YOLO11.
• Запусти процесс обнаружения: Нажми "Start", позволяя YOLO11 анализировать видео кадр за кадром и обнаруживать объекты в реальном времени.
• Просмотри обработанное видео: Наблюдай, как видео появляется на экране с обновлениями в реальном времени, отображая обнаруженные объекты с ограничивающими рамками.
• Взаимодействуй с результатами в Streamlit: Используй интерфейс для настройки параметров или анализа обнаружений — и все это без дополнительной настройки или кодирования.

Рис. 3. Интерфейс приложения Ultralytics YOLO Streamlit.

Link to this sectionПримеры использования Streamlit и YOLO11#

Мы рассмотрели, как Streamlit отлично подходит для создания прототипов, исследовательских инструментов и приложений малого и среднего размера. Он предлагает простой способ развертывания моделей ИИ без сложной фронтенд-разработки.

Однако запуск YOLO11 со Streamlit — не всегда готовое решение, если только ты не используешь приложение Ultralytics YOLO Streamlit, которое мы настроили выше. В большинстве случаев требуется некоторая работа по разработке, чтобы адаптировать приложение под конкретные нужды. Хотя Streamlit упрощает развертывание, тебе все равно нужно будет настроить необходимые компоненты, чтобы YOLO11 работала бесперебойно.

Давай рассмотрим два практических примера того, как Ultralytics YOLO11 может быть эффективно развернута со Streamlit в реальных сценариях.

Link to this sectionПодсчет объектов для инвентаризации с использованием YOLO11#

Отслеживание запасов в розничных магазинах, складских помещениях или зонах хранения канцелярских товаров может занимать много времени и приводить к ошибкам. Используя YOLO11 со Streamlit, компании могут быстро и эффективно автоматизировать подсчет объектов, что делает это отличным вариантом для проверки концепции (PoC) перед переходом к крупномасштабному развертыванию.

При такой настройке пользователи могут загружать изображение или использовать поток с камеры в реальном времени, а YOLO11 поможет мгновенно обнаружить и подсчитать объекты. Подсчет в реальном времени может отображаться в интерфейсе Streamlit, обеспечивая простой способ контроля уровня запасов без ручного труда.

Например, владелец магазина может отсканировать полку и сразу увидеть, сколько бутылок, коробок или упакованных товаров на ней находится, не пересчитывая их вручную. Используя YOLO11 и Streamlit, компании могут сократить ручную работу, повысить точность и исследовать автоматизацию с минимальными вложениями.

Рис. 4. Обнаружение бутылок в холодильнике с помощью YOLO11.

Link to this sectionПовышение безопасности с помощью YOLO11 и Streamlit#

Обеспечение безопасности в зонах ограниченного доступа в офисах, на складах или на площадках мероприятий может быть сложной задачей, особенно при ручном наблюдении. Используя YOLO11 со Streamlit, компании могут создать простую систему безопасности на базе ИИ для обнаружения несанкционированного доступа в реальном времени.

Поток с камеры можно подключить к интерфейсу Streamlit, где YOLO11 будет использоваться для идентификации и отслеживания людей, входящих в зоны ограниченного доступа. Если обнаружен посторонний, система может отправить оповещение или записать событие для проверки.

Например, менеджер склада может контролировать доступ к зонам хранения повышенной безопасности, а офис — отслеживать перемещения в ограниченных секциях без необходимости постоянного надзора.

Это может стать показательным проектом для компаний, желающих изучить возможности мониторинга безопасности на основе ИИ, прежде чем переходить к более крупной, полностью автоматизированной системе. Интегрируя YOLO11 со Streamlit, компании могут повысить безопасность, свести к минимуму ручной контроль и более эффективно реагировать на несанкционированный доступ.

Link to this sectionСоветы по мониторингу интерактивного ИИ-приложения со Streamlit#

Использование инструментов вроде Streamlit для развертывания моделей компьютерного зрения помогает создать интерактивный и удобный пользовательский опыт. Однако после настройки интерфейса важно убедиться, что система работает эффективно и со временем выдает точные результаты.

Вот несколько ключевых факторов, которые стоит учитывать после развертывания:

• Регулярный мониторинг: Отслеживай точность обнаружения, скорость инференса и использование ресурсов. Настраивай параметры модели или обновляй оборудование, если производительность падает.
• Управление несколькими пользователями и масштабируемость: По мере роста спроса со стороны пользователей оптимизация инфраструктуры становится ключом к поддержанию производительности. Облачные платформы и масштабируемые решения для развертывания помогают обеспечить бесперебойную работу.
• Поддержание актуальности модели: Обновление модели и библиотек повышает точность, безопасность и дает доступ к новым функциям.

Link to this sectionОсновные выводы#

Ultralytics упрощает развертывание YOLO11 с помощью готового к использованию интерактивного интерфейса Streamlit, который запускается одной командой — кодинг не требуется. Это позволяет пользователям сразу же начать использовать обнаружение объектов в реальном времени.

Интерфейс также включает встроенные возможности настройки, позволяя пользователям с легкостью переключать модели, регулировать точность обнаружения и фильтровать объекты. Все управляется через простой и интуитивно понятный интерфейс, устраняя необходимость в ручной разработке UI. Объединяя

возможности YOLO11 с легкостью развертывания Streamlit, компании и разработчики могут быстро создавать прототипы, тестировать и дорабатывать приложения на базе ИИ.

Становись частью нашего сообщества и изучай наш репозиторий на GitHub для получения дополнительной информации об ИИ. Взгляни на наши страницы с решениями, чтобы узнать больше об инновациях, таких как ИИ в производстве и компьютерное зрение в здравоохранении. Ознакомься с нашими вариантами лицензирования и начни сегодня!