18 марта 2025 г.
Узнайте, как запустить выводы YOLO11 в интерфейсе Streamlit и создать интерактивный интерфейс ИИ для задач компьютерного зрения без опыта кодирования.
Модели компьютерного зрения - это эффективные инструменты искусственного интеллекта, 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 доступа для более широкой аудитории иногда требуются дополнительные технические знания, такие как навыки веб-разработки или разработки мобильных приложений.
Возьмите Ultralytics YOLO11например. Это модель, которая поддерживает различные задачи и полезна в целом ряде приложений. Однако, не обладая определенными техническими знаниями, создание и развертывание удобного интерфейса для беспрепятственного взаимодействия может показаться сложной задачей для некоторых инженеров по ИИ.
Streamlit - это фреймворк с открытым исходным кодом, который призван облегчить этот процесс. Это Python инструмент 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 с помощью своего решения Live Inference, что еще больше упрощает интеграцию Streamlit. С помощью одной команды пользователи могут запустить предварительно созданное приложение Streamlit для YOLO11, устранив необходимость в ручной настройке и кодировании.
В этой статье мы расскажем, как настроить и запустить YOLO11 с помощью решения Live Inference от Ultralyticsс Streamlit, что делает развертывание ИИ в реальном времени более быстрым и доступным.
Streamlit - это фреймворк на Python , который упрощает создание интерактивных веб-приложений. Разработчики могут создавать приложения, работающие на основе искусственного интеллекта, не сталкиваясь с тонкостями фронтенд-разработки.
Он предназначен для беспрепятственной работы с моделями искусственного интеллекта и машинного обучения. С помощью всего нескольких строк языка Python разработчики могут создать интерфейс, в котором пользователи смогут загружать изображения, обрабатывать видео и взаимодействовать с моделями ИИ.
Одной из ключевых особенностей является динамическая отрисовка. Когда пользователи вносят изменения, приложение автоматически обновляется без необходимости ручной перезагрузки страницы.
Кроме того, поскольку Streamlit является легким и простым в использовании, он эффективно работает как на локальных машинах, так и на облачных платформах. Это делает его отличным выбором для развертывания приложений ИИ, обмена моделями с другими и обеспечения интуитивно понятного интерактивного пользовательского опыта.
Прежде чем перейти к рассмотрению того, как запускать живые выводы с помощью Ultralytics YOLO11 в приложении Streamlit, давайте подробнее рассмотрим, что делает YOLO11 таким надежным.
Ultralytics YOLO11 - модель, разработанная для задач компьютерного зрения в реальном времени, таких как обнаружение объектов, сегментация объектов и оценка позы. Она обеспечивает высокую скорость работы и впечатляющую точность.
Одно из главных преимуществ YOLO11- простота использования. Нет необходимости в сложных настройках; разработчики могут установить пакет Ultralytics Python и начать делать прогнозы с помощью всего нескольких строк кода.
Пакет Ultralytics Python предоставляет ряд возможностей, позволяя пользователям точно настраивать модели и регулировать параметры обнаружения. Он также помогает оптимизировать производительность на различных устройствах для более плавного развертывания.
Помимо гибкости, пакет Ultralytics Python поддерживает интеграцию с различными платформами, включая пограничные устройства, облачные среды и системыGPU NVIDIA GPU. Вне зависимости от того, развернут ли YOLO11 на небольшом встраиваемом устройстве или крупном облачном сервере, он легко адаптируется, делая передовой искусственный интеллект более доступным, чем когда-либо.
Возможно, вы задаетесь вопросом, как узнать, подходит ли мне Streamlit для развертывания? Если вы ищете простой и эффективный способ запустить YOLO11 , не прибегая к фронтенд-разработке, Streamlit - хороший вариант, особенно для прототипов, проектов, предназначенных для проверки концепции (PoC), или развертывания, нацеленного на небольшое количество пользователей.
Он упрощает процесс работы с YOLO11 , устраняя ненужные сложности и предоставляя интуитивно понятный интерфейс для взаимодействия в режиме реального времени. Вот некоторые другие ключевые преимущества:
Теперь, когда мы изучили преимущества использования Streamlit с YOLO11, давайте рассмотрим, как запускать задачи компьютерного зрения в реальном времени в браузере с помощью Streamlit с YOLO11.
Первым шагом будет установка пакетаUltralytics Python . Это можно сделать с помощью следующей команды:
После установки YOLO11 готов к работе без каких-либо сложных настроек. Если у вас возникнут проблемы при установке необходимых пакетов, вы можете обратиться к нашему Руководству по общим проблемам, чтобы получить советы и решения по устранению неполадок.
Обычно для запуска YOLO11 требуется разработать сценарий на Python с использованием компонентов Streamlit. Однако Ultralytics предоставляет простой способ запуска YOLO11 с помощью Streamlit.
Запуск следующего сценария Python мгновенно запустит приложение Streamlit в вашем веб-браузере по умолчанию:
Дополнительная настройка не требуется. Интерфейс приложения Streamlit включает в себя раздел загрузки изображений и видео, выпадающее меню для выбора интересующего вас варианта модели YOLO11 и ползунки для настройки достоверности обнаружения. Все аккуратно организовано, что позволяет пользователям без лишних усилий выполнять умозаключения без написания дополнительного кода.
Теперь, когда приложение Streamlit запущено в вашем веб-браузере, давайте рассмотрим, как использовать его для проведения выводов с помощью YOLO11.
Например, предположим, мы хотим проанализировать видеофайл для обнаружения объектов. Вот шаги для загрузки файла, выбора модели и просмотра результатов в реальном времени:
Мы рассмотрели, насколько Streamlit подходит для создания прототипов, исследовательских инструментов и приложений малого и среднего размера. Он предлагает простой способ развертывания моделей ИИ без сложной разработки внешнего интерфейса.
Однако запуск YOLO11 с Streamlit не всегда является готовым решением - если только вы не используете приложение Ultralytics YOLO Streamlit, которое мы настроили в описанных выше шагах. В большинстве случаев требуется некоторая разработка, чтобы настроить приложение под конкретные нужды. Хотя Streamlit упрощает развертывание, вам все равно придется настроить необходимые компоненты, чтобы обеспечить бесперебойную работу YOLO11 .
Давайте рассмотрим два практических примера того, как Ultralytics YOLO11 может быть эффективно развернута вместе со Streamlit в реальных сценариях.
track товарно-материальных ценностей в розничных магазинах, складских помещениях или офисных складах может отнимать много времени и быть чреват ошибками. Используя YOLO11 с Streamlit, предприятия могут быстро и эффективно автоматизировать подсчет объектов, что делает его отличным вариантом для проверки концепции (PoC), прежде чем приступать к масштабному развертыванию.
При такой настройке пользователи могут загрузить изображение или использовать прямую трансляцию с камеры, а YOLO11 поможет мгновенно detect и подсчитать объекты. Результаты подсчета в реальном времени могут быть отображены в интерфейсе Streamlit, обеспечивая простой способ контроля уровня запасов без ручного труда.
Например, владелец магазина может отсканировать полку и сразу увидеть количество бутылок, коробок или упакованных товаров, не пересчитывая их вручную. Используя YOLO11 и Streamlit, предприятия могут сократить объем ручного труда, повысить точность и перейти к автоматизации с минимальными инвестициями.
Обеспечить безопасность зон ограниченного доступа в офисах, на складах или в местах проведения мероприятий может быть непросто, особенно при ручном мониторинге. Используя YOLO11 с Streamlit, предприятия могут создать простую систему безопасности на базе искусственного интеллекта, которая detect несанкционированный доступ в режиме реального времени.
Запись с камеры можно подключить к интерфейсу Streamlit, где YOLO11 используется для идентификации и track людей, входящих в запретные зоны. При обнаружении неавторизованного лица система может подать сигнал тревоги или зарегистрировать событие для просмотра.
Например, заведующий складом может контролировать доступ к зонам хранения с повышенным уровнем безопасности, а в офисе можно track перемещения в закрытых помещениях, не нуждаясь в постоянном контроле.
Этот проект может стать наглядным примером для предприятий, желающих изучить возможности мониторинга безопасности с помощью искусственного интеллекта Vision, прежде чем приступать к созданию более крупной, полностью автоматизированной системы. Интегрировав YOLO11 со Streamlit, предприятия смогут повысить уровень безопасности, свести к минимуму ручной мониторинг и более эффективно реагировать на несанкционированный доступ.
Использование таких инструментов, как Streamlit, для развертывания моделей компьютерного зрения помогает создать интерактивный и удобный интерфейс. Однако после настройки интерактивного интерфейса важно обеспечить эффективную работу системы и получение точных результатов с течением времени.
Вот некоторые ключевые факторы, которые следует учитывать после развертывания:
Ultralytics упрощает развертывание YOLO11 благодаря готовому к использованию интерфейсу Streamlit live, который запускается одной командой - кодирование не требуется. Это позволяет пользователям мгновенно начать использовать обнаружение объектов в реальном времени.
Интерфейс также включает встроенную настройку, позволяющую пользователям с легкостью переключать модели, регулировать точность обнаружения и фильтровать объекты. Все управляется в простом, удобном интерфейсе, устраняя необходимость в ручной разработке пользовательского интерфейса. Благодаря объединению
Благодаря возможностям YOLO11и простоте развертывания Streamlit компании и разработчики могут быстро создавать прототипы, тестировать и совершенствовать приложения, основанные на искусственном интеллекте.
Станьте частью нашего сообщества и изучите наш репозиторий GitHub, чтобы получить больше информации об ИИ. Посмотрите наши страницы решений, чтобы узнать больше об инновациях, таких как ИИ в производстве и компьютерное зрение в здравоохранении. Ознакомьтесь с нашими вариантами лицензирования и начните сегодня!
