Streamlit ve Ultralytics YOLO11 ile etkileşimli bir yapay zekâ uygulaması çalıştır

Bilgisayarlı görü modelleri, makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayan; nesne tespiti, görüntü sınıflandırma ve örnek segmentasyonu gibi görevleri yüksek doğrulukla gerçekleştiren etkili yapay zekâ araçlarıdır. Ancak bu modelleri kullanıma sunmak ve daha geniş bir kitlenin erişimine açmak için web geliştirme veya mobil uygulama becerileri gibi ek teknik uzmanlık gerekebilir.

Örneğin Ultralytics YOLO11, çeşitli görevleri destekleyen ve birçok uygulamada kullanışlı olan bir modeldir. Ancak bazı yapay zekâ mühendisleri, teknik ön yüz bilgisi olmadan kullanıcı dostu bir arayüz oluşturup dağıtmayı biraz zor bulabilir.

Streamlit, bu süreci kolaylaştırmayı amaçlayan açık kaynaklı bir çerçevedir. Karmaşık ön uç geliştirme süreçlerine girmeden etkileşimli uygulamalar oluşturmanı sağlayan Python tabanlı bir araçtır. Ultralytics YOLO11 ile birlikte kullanıldığında kullanıcıların minimum çabayla görüntü yüklemesine, videoları işlemesine ve gerçek zamanlı sonuçları görselleştirmesine olanak tanır.

Ultralytics, Live Inference çözümüyle bu süreci bir adım ileri taşıyarak Streamlit entegrasyonunu daha da kolaylaştırıyor. Tek bir komutla kullanıcılar önceden hazırlanmış bir YOLO11 için Streamlit uygulamasını başlatabilir ve manuel kurulum ile kodlama ihtiyacını ortadan kaldırabilir.

Bu makalede, Ultralytics'in Streamlit ile Live Inference çözümünü kullanarak YOLO11'i nasıl kurup çalıştıracağını adım adım anlatacağız. Böylece gerçek zamanlı yapay zekâyı daha hızlı ve erişilebilir biçimde kullanıma sunabilirsin.

Streamlit nedir?#

Streamlit, etkileşimli web uygulamaları oluşturmayı kolaylaştıran bir Python çerçevesidir. Yapay zekâ geliştiricileri, ön uç geliştirmenin karmaşıklıklarıyla uğraşmadan yapay zekâ destekli uygulamalar oluşturabilir.

Yapay zekâ ve makine öğrenimi modelleriyle iyi çalışacak şekilde tasarlanmıştır. Geliştiriciler yalnızca birkaç satır Python koduyla kullanıcıların görüntü yükleyebildiği, videoları işleyebildiği ve yapay zekâ modelleriyle etkileşim kurabildiği bir arayüz oluşturabilir.

Şekil 1. Streamlit'in temel özellikleri. Görselin sahibi yazar.

Öne çıkan özelliklerinden biri dinamik görüntülemedir. Kullanıcılar değişiklik yaptığında uygulama, sayfayı elle yenilemeye gerek kalmadan otomatik olarak güncellenir.

Ayrıca hafif ve kullanımı kolay olduğu için Streamlit hem yerel makinelerde hem de bulut platformlarında verimli biçimde çalışır. Bu özelliğiyle yapay zekâ uygulamalarını kullanıma sunmak, modelleri başkalarıyla paylaşmak ve sezgisel, etkileşimli bir kullanıcı deneyimi sağlamak için ideal bir seçenektir.

Ultralytics YOLO11: Çok yönlü bir görüntü yapay zekâ modeli#

Streamlit uygulamasında Ultralytics YOLO11 ile canlı çıkarımların nasıl yapılacağını incelemeden önce, YOLO11'i bu kadar güvenilir kılan özelliklere daha yakından bakalım.

Ultralytics YOLO11, nesne algılama, örnek segmentasyonu ve poz tahmini gibi gerçek zamanlı bilgisayarlı görü görevleri için tasarlanmış bir modeldir. Yüksek doğrulukla yüksek hızda performans sunar.

Şekil 2. YOLO11'in nesne tespiti için kullanılmasına örnek.

YOLO11'in en büyük avantajlarından biri kullanım kolaylığıdır. Karmaşık kurulumlara gerek yoktur; geliştiriciler Ultralytics Python paketini yükleyip yalnızca birkaç satır kodla tahminler yapmaya başlayabilir.

Ultralytics Python paketi, kullanıcıların modelleri ince ayarlamasına ve algılama ayarlarını değiştirmesine olanak tanıyan çeşitli özellikler sunar. Ayrıca daha sorunsuz dağıtım için farklı cihazlardaki performansı iyileştirmeye yardımcı olur.

Esnekliğinin yanı sıra Ultralytics Python paketi; uç cihazlar, bulut ortamları ve NVIDIA GPU'lu sistemler dâhil birçok platformda entegrasyonları destekler. İster küçük bir gömülü cihaza ister büyük ölçekli bir bulut sunucusuna dağıtılsın, YOLO11 hedef donanıma uyum sağlayarak gelişmiş Vision AI teknolojisini daha erişilebilir hâle getirir.

Streamlit’i Ultralytics YOLO11 ile kullanmanın avantajları#

Streamlit’in senin için doğru dağıtım seçeneği olup olmadığını nasıl anlayacağını merak ediyor olabilirsin. Ön uç geliştirmeyle uğraşmadan Ultralytics YOLO11’i çalıştırmanın basit ve kod açısından verimli bir yolunu arıyorsan Streamlit iyi bir seçenektir; özellikle prototipler, kavram kanıtı (PoC) projeleri veya daha az sayıda kullanıcıyı hedefleyen dağıtımlar için.

Gereksiz karmaşıklığı ortadan kaldırıp gerçek zamanlı etkileşim için sezgisel bir arayüz sunarak Ultralytics YOLO11 ile çalışma sürecini kolaylaştırır. İşte diğer önemli avantajlardan bazıları:

• Özelleştirilebilir yapay zekâ denetimleri: Arayüzüne kaydırıcılar, açılır menüler ve düğmeler ekleyerek kullanıcıların algılama ayarlarında ince ayar yapmasına ve belirli nesneleri kolayca filtrelemesine olanak tanıyabilirsin.
• Diğer yapay zekâ araçlarıyla entegrasyon: Streamlit, NumPy, OpenCV, Matplotlib ve diğer makine öğrenimi kütüphaneleriyle entegrasyonu destekleyerek yapay zekâ iş akışı olanaklarını geliştirir.
• Etkileşimli veri görselleştirme: Yerleşik grafik desteği, kullanıcıların nesne algılama ve segmentasyon sonuçlarını veya izleme içgörülerini görselleştirmesine olanak tanır.
• İş birliğine elverişli: Streamlit uygulamaları basit bir bağlantıyla ekip üyeleriyle, paydaşlarla veya müşterilerle kolayca paylaşılabilir; böylece anında geri bildirim alınabilir ve yineleme yapılabilir.

Ultralytics YOLO11’i Streamlit web uygulamasına dağıtmak için adım adım kılavuz#

Streamlit’i Ultralytics YOLO11 ile kullanmanın avantajlarını incelediğimize göre şimdi Streamlit ve YOLO11 kullanarak tarayıcıda gerçek zamanlı bilgisayarlı görü görevlerinin nasıl çalıştırılacağına bakalım.

Ultralytics Python paketini yükleme#

İlk adım, Ultralytics Python paketini yüklemektir. Bunu şu komutla yapabilirsin:

pip install ultralytics

Kurulum tamamlandığında YOLO11, karmaşık bir kurulum gerektirmeden kullanıma hazır olur. Gerekli paketleri yüklerken sorun yaşarsan sorun giderme ipuçları ve çözümleri için Yaygın Sorunlar Kılavuzumuza başvurabilirsin.

Streamlit uygulamasını Ultralytics YOLO11 ile başlatma#

Normalde YOLO11’i çalıştırmak için Streamlit bileşenlerini kullanan bir Python betiği geliştirmen gerekir. Ancak Ultralytics, YOLO11’i Streamlit ile çalıştırmanın basit bir yolunu sunar.

Aşağıdaki Python betiğini streamlit run path/to/file.py ile çalıştırmak, Streamlit uygulamasını varsayılan web tarayıcında başlatır:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # Ultralytics'in desteklediği herhangi bir modeli veya özel olarak eğitilmiş bir modeli kullanabilirsin.
)

inf.inference()

Ek yapılandırma gerekmez. Streamlit uygulamasının arayüzünde görüntü ve video yükleme bölümü, ilgilendiğin Ultralytics YOLO11 model varyantını seçmek için bir açılır menü ve algılama güvenini ayarlamak için kaydırıcılar bulunur. Her şey düzenli biçimde sunulur; böylece kullanıcılar ek kod yazmadan çıkarım çalıştırabilir.

Streamlit uygulamasında Ultralytics YOLO11 ile çıkarım çalıştırma#

Streamlit uygulaması web tarayıcında çalıştığına göre şimdi Ultralytics YOLO11 ile çıkarım çalıştırmak için uygulamanın nasıl kullanılacağını inceleyelim.

Örneğin, nesne algılama için bir video dosyasını analiz etmek istediğimizi varsayalım. Dosyayı yüklemek, model seçmek ve gerçek zamanlı sonuçları görüntülemek için şu adımları izleyebilirsin:

• Video dosyası yükle: Uygulamaya web kamerası görüntüsü yerine önceden kaydedilmiş bir dosyayı işlemesini söylemek için kullanıcı yapılandırması açılır menüsünden "video" seçeneğini belirle.
• YOLO11 modeli seç: Büyük bir YOLO11 modeliyle nesne algılama yapmak için model açılır menüsünden "YOLO11l" seçeneğini belirle.
• Algılama sürecini başlat: "Start" düğmesine tıklayarak Ultralytics YOLO11'in videoyu kare kare analiz etmesini ve nesneleri gerçek zamanlı olarak tespit etmesini sağla.
• İşlenen videoyu görüntüle: Algılanan nesnelerin sınırlayıcı kutularla gösterildiği videoyu canlı güncellemelerle ekranda izle.
• Streamlit’te sonuçlarla etkileşim kur: Ek kurulum veya kodlama gerektirmeden ayarları düzenlemek ya da algılamaları analiz etmek için arayüzü kullan.

Şekil 3. Ultralytics YOLO Streamlit uygulama arayüzü.

Streamlit ve Ultralytics YOLO11 kullanım örnekleri#

Streamlit’in prototipler, araştırma araçları ve küçük ya da orta ölçekli uygulamalar oluşturmak için ne kadar kullanışlı olduğuna baktık. Karmaşık ön uç geliştirme olmadan yapay zekâ modellerini dağıtmanın basit bir yolunu sunar.

Ancak yukarıdaki adımlarda kurduğumuz Ultralytics YOLO Streamlit uygulamasını kullanmadığın sürece YOLO11’i Streamlit ile çalıştırmak her zaman kutudan çıktığı gibi kullanıma hazır bir çözüm değildir. Çoğu durumda uygulamayı belirli ihtiyaçlara uyarlamak için geliştirme çalışması gerekir. Streamlit dağıtımı kolaylaştırsa da YOLO11’in sorunsuz çalışmasını sağlamak için gerekli bileşenleri yapılandırman gerekir.

Ultralytics YOLO11’in gerçek dünya senaryolarında Streamlit ile etkili biçimde nasıl dağıtılabileceğine dair iki pratik örneği inceleyelim.

Ultralytics YOLO11 ile envanter kontrolleri için nesne sayma#

Perakende mağazalarında, depolarda veya ofis malzemesi alanlarında envanteri takip etmek zaman alabilir ve hatalara açıktır. Ultralytics YOLO11’i Streamlit ile kullanarak işletmeler nesne sayımını hızlı ve verimli bir şekilde otomatikleştirebilir. Bu da büyük ölçekli bir dağıtıma geçmeden önce kavram kanıtı (PoC) oluşturmak için onu harika bir seçenek hâline getirir.

Bu yapılandırmayla kullanıcılar bir görüntü yükleyebilir veya canlı kamera görüntüsünü kullanabilir; Ultralytics YOLO11 de anında nesneleri algılayıp saymaya yardımcı olabilir. Gerçek zamanlı sayım Streamlit arayüzünde gösterilebilir ve böylece stok seviyelerini elle işlem yapmadan izlemenin kolay bir yolu sunulur.

Örneğin bir mağaza sahibi, rafı tarayıp şişelerin, kutuların veya ambalajlı ürünlerin sayısını elle saymak zorunda kalmadan hemen görebilir. İşletmeler, Ultralytics YOLO11 ve Streamlit’ten yararlanarak elle yapılan işleri azaltabilir, doğruluğu artırabilir ve otomasyonu en az yatırımla deneyebilir.

Şekil 4. Ultralytics YOLO11 ile buzdolabındaki şişeleri algılama.

Ultralytics YOLO11 ve Streamlit ile güvenliği artırma#

Ofislerde, depolarda veya etkinlik alanlarında kısıtlı bölgeleri güvende tutmak, özellikle manuel izleme söz konusu olduğunda zor olabilir. İşletmeler, Ultralytics YOLO11’i Streamlit ile kullanarak yetkisiz erişimi gerçek zamanlı algılayan basit, yapay zekâ destekli bir güvenlik sistemi kurabilir.

Streamlit arayüzüne bir kamera görüntüsü bağlanabilir; Ultralytics YOLO11 de kısıtlı bölgelere giren kişileri belirleyip izlemek için kullanılabilir. Yetkisiz bir kişi algılanırsa sistem uyarı verebilir veya olayı incelenmek üzere kaydedebilir.

Örneğin bir depo yöneticisi yüksek güvenlikli depolama alanlarına erişimi izleyebilir ya da bir ofis, sürekli gözetim gerekmeksizin kısıtlı bölümlerdeki hareketleri takip edebilir.

Bu, tam otomatik ve daha büyük bir sisteme yatırım yapmadan önce Vision AI destekli güvenlik izlemeyi keşfetmek isteyen işletmeler için yararlı bir pilot proje olabilir. İşletmeler, Ultralytics YOLO11'i Streamlit ile entegre ederek güvenliği artırabilir, manuel izleme ihtiyacını azaltabilir ve yetkisiz erişime daha etkili biçimde karşılık verebilir.

Streamlit ile etkileşimli bir yapay zekâ uygulamasını izlemeye yönelik ipuçları#

Bilgisayarlı görü modellerini dağıtmak için Streamlit gibi araçları kullanmak, etkileşimli ve kullanıcı dostu bir deneyim oluşturmaya yardımcı olur. Ancak canlı arayüzü kurduktan sonra sistemin verimli çalıştığından ve zaman içinde doğru sonuçlar verdiğinden emin olmak önemlidir.

Dağıtım sonrasında göz önünde bulundurman gereken bazı önemli noktalar:

• Düzenli izleme: Algılama doğruluğunu, çıkarım hızını ve kaynak kullanımını takip et. Performans düşerse model parametrelerini ayarla veya donanımı yükselt.
• Birden fazla kullanıcıyı ve ölçeklenebilirliği yönetme: Kullanıcı talebi arttıkça performansı korumak için altyapıyı optimize etmek çok önemlidir. Bulut platformları ve ölçeklenebilir dağıtım çözümleri sorunsuz çalışmayı sağlamaya yardımcı olur.
• Modeli güncel tutma: Modeli ve kütüphaneleri güncel tutmak doğruluğu, güvenliği ve yeni özelliklere erişimi artırır.

Önemli çıkarımlar#

Ultralytics, tek bir komutla çalışan ve kodlama gerektirmeyen, kullanıma hazır bir Streamlit canlı arayüzüyle YOLO11 dağıtımını kolaylaştırır. Böylece kullanıcılar gerçek zamanlı nesne algılamayı hemen kullanmaya başlayabilir.

Arayüzde ayrıca kullanıcıların modeller arasında geçiş yapmasını, güven eşiklerini ayarlamasını ve nesneleri kolayca filtrelemesini sağlayan yerleşik özelleştirme seçenekleri bulunur. Her şey basit ve kullanıcı dostu bir arayüzden yönetilir; böylece kullanıcı arayüzünü elle geliştirmeye gerek kalmaz.

İşletmeler ve geliştiriciler, Ultralytics YOLO11'in yeteneklerini Streamlit'in kolay dağıtım imkânlarıyla birleştirerek yapay zekâ destekli uygulamaların prototipini hızla oluşturabilir, bunları test edebilir ve iyileştirebilir.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edinmek için çözümler sayfalarımıza göz at. Lisanslama seçeneklerimizi incele ve bugün kullanmaya başla!