Запусти интерактивное ИИ-приложение с помощью Streamlit и Ultralytics YOLO11

Модели компьютерного зрения — это эффективные ИИ-инструменты, 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 для широкой аудитории иногда могут потребоваться дополнительные технические навыки, такие как веб-разработка или навыки создания мобильных приложений.

Возьмем, к примеру, Ultralytics YOLO11. Это модель, которая поддерживает различные задачи и полезна в самых разных приложениях. Тем не менее, без определенных знаний в области фронтенда создание и развертывание удобного интерфейса для бесшовного взаимодействия может показаться для некоторых инженеров по ИИ непростой задачей.

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

Ultralytics делает еще один шаг вперед благодаря своему решению Live Inference, делая интеграцию с Streamlit еще проще. С помощью всего одной команды пользователи могут запустить предварительно созданное приложение Streamlit для YOLO11, что избавит тебя 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.

Что 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.

Ultralytics 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, разработанная 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, пакет Ultralytics Python поддерживает интеграцию с различными платформами, включая периферийные устройства, облачные среды и системы на базе GPU NVIDIA. Независимо от того, развернута ли она на небольшом встраиваемом устройстве или на крупномасштабном облачном сервере, YOLO11 адаптируется без усилий, делая передовой ИИ в области зрения более доступным, чем когда-либо.

Преимущества использования Streamlit с Ultralytics YOLO11#

Возможно, тебе интересно, как понять, подходит ли Streamlit для твоих задач деплоя? Если ты ищешь простой и эффективный с точки зрения кода способ запустить Ultralytics YOLO11 без работы с фронтендом, Streamlit — отличный вариант, особенно для прототипирования, проектов Proof-of-Concept (PoC) или развертывания на небольшое количество пользователей.

Он упрощает работу с Ultralytics YOLO11, устраняя лишнюю сложность и предоставляя интуитивно понятный интерфейс для взаимодействия в реальном времени. Вот еще несколько ключевых преимуществ:

• 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.

Пошаговое руководство по развертыванию Ultralytics YOLO11 в веб-приложении Streamlit#

Теперь, когда мы изучили преимущества использования Streamlit с Ultralytics YOLO11, давай разберем, как запустить задачи компьютерного зрения в реальном времени в браузере с помощью Streamlit и YOLO11.

Установка Python-пакета Ultralytics#

Первый шаг — установить пакет Ultralytics Python. Это можно сделать с помощью следующей команды:

После установки YOLO11 готова к использованию без какой-либо сложной настройки. Если у тебя возникнут какие-либо проблемы при установке необходимых пакетов, ты можешь обратиться к нашему Руководству по общим проблемам за советами по устранению неполадок и решениями.

Запуск приложения Streamlit с Ultralytics 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:

Никакой дополнительной настройки не требуется. Интерфейс приложения Streamlit включает в себя раздел загрузки изображений и видео, выпадающий список для выбора нужного варианта модели Ultralytics YOLO11 и ползунки для настройки уверенности детекции. Все аккуратно упорядочено, что позволяет пользователям легко запускать инференс без написания лишнего кода.

Запуск инференса с использованием Ultralytics YOLO11 в приложении Streamlit#

Теперь, когда приложение Streamlit запущенно в твоем веб-браузере, давай рассмотрим, как использовать его для запуска инференса с помощью Ultralytics 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.
• Начни процесс детекции: нажми "Start", позволив Ultralytics YOLO11 анализировать видео кадр за кадром и находить 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.

Варианты использования Streamlit и Ultralytics 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.

Подсчет объектов для проверки инвентаря с помощью Ultralytics YOLO11#

Учет инвентаря в розничных магазинах, подсобных помещениях или на складах канцелярских товаров может занимать много времени и приводить к ошибкам. Используя Ultralytics YOLO11 со Streamlit, компании могут быстро и эффективно автоматизировать подсчет объектов, что делает это решение отличным вариантом для пилотного проекта (PoC) перед масштабным развертыванием.

С этой настройкой пользователи могут загрузить изображение или использовать прямой эфир с камеры, а Ultralytics YOLO11 поможет мгновенно обнаружить и count objects. Количество в реальном времени может отображаться в интерфейсе Streamlit, предоставляя 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 Ultralytics YOLO11 и Streamlit, предприятия могут сократить объем ручной работы, повысить точность и опробовать автоматизацию с минимальными инвестициями.

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

Повышение безопасности с помощью Ultralytics YOLO11 и Streamlit#

Обеспечение безопасности в зонах с ограниченным доступом в офисах, на складах или площадках для мероприятий может быть сложной задачей, особенно при ручном мониторинге. Используя Ultralytics YOLO11 со Streamlit, компании могут настроить простую security system на базе ИИ для обнаружения несанкционированного доступа в реальном времени.

Поток с камеры можно подключить к интерфейсу Streamlit, где Ultralytics YOLO11 используется для идентификации и отслеживания людей, входящих в запретные зоны. Если обнаружен посторонний человек, система может подать сигнал тревоги или записать событие в лог 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 протестировать охранный мониторинг на базе компьютерного зрения перед внедрением более крупной и полностью автоматизированной системы. Интегрируя Ultralytics YOLO11 со Streamlit, компании могут повысить уровень безопасности, свести к минимуму ручной контроль и более эффективно реагировать на несанкционированный доступ.

Советы 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 аппаратное обеспечение, если производительность снижается.
• 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.

Основные 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

Благодаря возможностям Ultralytics YOLO11 и простоте развертывания Streamlit компании и разработчики могут быстро создавать прототипы, тестировать и дорабатывать приложения на базе ИИ.

Стань частью нашего сообщества и изучи наш репозиторий GitHub для получения дополнительных инсайтов об ИИ. Взгляни на наши страницы решений, чтобы узнать больше об инновациях, таких как ИИ в производстве и computer vision в здравоохранении. Ознакомься с нашими вариантами лицензирования и начните работу уже сегодня!