Streamlit ve Ultralytics YOLO11 ile etkileşimli bir Yapay Zeka uygulaması çalıştır

Computer vision models, makinelerin nesne tespiti, görüntü sınıflandırma ve örnek bölütleme gibi görevleri yüksek doğrulukla gerçekleştirerek görsel verileri yorumlamasını ve analiz etmesini sağlayan etkili yapay zeka araçlarıdır. Ancak bunları dağıtmak ve daha geniş bir kitleye erişilebilir kılmak için bazen web geliştirme veya mobil uygulama becerileri gibi ek teknik uzmanlık gerekebilir.

Örneğin Ultralytics YOLO11 modelini ele alalım. Çeşitli görevleri destekleyen ve bir dizi uygulamada faydalı olan bir modeldir. Ancak bazı ön uç teknik bilgisi olmadan, kesintisiz etkileşim için kullanıcı dostu bir arayüz oluşturmak ve bunu devreye almak bazı yapay zeka mühendisleri için biraz zorlayıcı gelebilir.

Streamlit, bu süreci daha kolay hale getirmeyi amaçlayan açık kaynaklı bir çerçevedir. Karmaşık ön yüz geliştirmesi olmadan interaktif uygulamalar oluşturmak için Python tabanlı bir araçtır. Ultralytics YOLO11 ile eşleştirildiğinde, kullanıcıların minimum çabayla görsel yüklemesine, video işlemesine ve gerçek zamanlı sonuçları görselleştirmesine olanak tanır.

Ultralytics, Live Inference çözümüyle bunu bir adım öteye taşıyarak Streamlit entegrasyonunu daha da kolaylaştırıyor. Kullanıcılar tek bir komutla önceden oluşturulmuş bir Streamlit app for YOLO11 uygulamasını başlatabilir; böylece manuel kurulum ve kodlama ihtiyacı ortadan kalkar.

Bu makalede, Ultralytics'in Canlı Çıkarım çözümü ve Streamlit ile YOLO11'in nasıl kurulacağını ve çalıştırılacağını adım adım inceleyeceğiz; böylece gerçek zamanlı yapay zeka dağıtımını daha hızlı ve daha erişilebilir hale getireceğiz.

Streamlit nedir?#

Streamlit, interaktif web uygulamalarının oluşturulmasını basitleştiren bir Python çerçevesidir. Yapay zeka geliştiricileri, ön uç geliştirmenin karmaşıklıklarıyla uğraşmak zorunda kalmadan yapay zeka destekli uygulamalar oluşturabilirler.

Yapay zeka ve makine öğrenimi modelleriyle sorunsuz çalışacak şekilde tasarlanmıştır. Geliştiriciler, yalnızca birkaç satır Python koduyla kullanıcıların görsel yükleyebileceği, videoları işleyebileceği ve yapay zeka modelleriyle etkileşime girebileceği bir arayüz oluşturabilirler.

Şekil 1. Streamlit'in temel özellikleri. Görsel: yazar.

Temel özelliklerinden biri dinamik render alma işlemidir. Kullanıcılar değişiklik yaptığında uygulama, manuel sayfa yenileme gerektirmeden otomatik olarak güncellenir.

Ayrıca, hafif ve kullanımı kolay olduğu için Streamlit hem yerel makinelerde hem de bulut platformlarında verimli bir şekilde çalışır. Bu da onu yapay zeka uygulamalarını dağıtmak, modelleri başkalarıyla paylaşmak ve sezgisel, interaktif bir kullanıcı deneyimi sunmak için harika bir seçenek haline getirir.

Ultralytics YOLO11: Çok yönlü bir Görsel Yapay Zeka modeli#

Ultralytics YOLO11 ile Streamlit uygulamasında canlı çıkarımların nasıl çalıştırılacağına geçmeden önce, YOLO11'i bu kadar güvenilir kılan şeylere daha yakından bakalım.

Ultralytics YOLO11, nesne tespiti, örnek bölütleme ve poz kestirimi gibi gerçek zamanlı computer vision tasks için tasarlanmış bir modeldir. Çarpıcı bir doğrulukla yüksek hızlı performans sunar.

Fig 2. Nesne tespiti için YOLO11 kullanımına bir örnek.

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

Ultralytics Python paketi, kullanıcıların modellerde ince ayar yapmalarını ve algılama ayarlarını değiştirmelerini sağlayan bir dizi özellik sunar. Ayrıca, daha sorunsuz bir dağıtım için farklı cihazlarda performansı optimize etmeye yardımcı olur.

Esnekliğin ötesinde, Ultralytics Python package, uç cihazlar, bulut ortamları ve NVIDIA GPU özellikli sistemler dahil olmak üzere birden fazla platformda integrations desteği sunar. Küçük bir gömülü cihazda veya büyük ölçekli bir bulut sunucusunda dağıtılmış olsun, YOLO11 zahmetsizce uyum sağlayarak gelişmiş görsel yapay zekayı her zamankinden daha erişilebilir hale getirir.

Ultralytics YOLO11 ile Streamlit kullanmanın faydaları#

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

Gereksiz karmaşıklığı ortadan kaldırarak ve gerçek zamanlı etkileşim için sezgisel bir arayüz sağlayarak Ultralytics YOLO11 ile çalışma sürecini kolaylaştırır. İşte diğer bazı temel avantajlar:

• Özelleştirilebilir yapay zeka kontrolleri: Arayüzünüze kaydırıcılar, açılır menüler ve düğmeler ekleyerek kullanıcıların algılama ayarlarında ince ayar yapmasına ve belirli nesneleri kolayca filtrelemesine olanak tanıyabilirsiniz.

• Diğer yapay zeka araçlarıyla entegrasyon: Streamlit; NumPy, OpenCV, Matplotlib ve diğer makine öğrenimi kütüphaneleriyle entegrasyonu destekleyerek yapay zeka iş akışı yeteneklerini geliştirir.

• İnteraktif veri görselleştirme: Çizelgeler ve grafikler için yerleşik destek, kullanıcıların nesne algılama, bölümleme sonuçları veya izleme içgörülerini zahmetsizce görselleştirmesini sağlar.

• İş birliğine uygun: Streamlit uygulamaları basit bir bağlantı aracılığıyla ekip üyeleriyle, paydaşlarla veya müşterilerle kolayca paylaşılabilir, bu da anında geri bildirim ve iterasyon sağlar.

Streamlit web uygulamasında Ultralytics YOLO11 modelini devreye almak için adım adım kılavuz#

Streamlit ve Ultralytics YOLO11 kullanmanın avantajlarını incelediğimize göre, şimdi Streamlit ve YOLO11 kullanarak bir tarayıcıda gerçek zamanlı bilgisayarlı görü görevlerinin nasıl çalıştırılacağına göz atalım.

Ultralytics Python paketini yükleme#

İlk adım Ultralytics Python package paketini yüklemektir. Bu işlem aşağıdaki komut kullanılarak yapılabilir:

Kurulum tamamlandıktan sonra YOLO11, karmaşık bir ayarlama gerektirmeden kullanıma hazırdır. Gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsanız, ipuçları ve çözümler için Common Issues Guide kılavuzumuza göz atabilirsiniz.

Streamlit uygulamasını Ultralytics YOLO11 ile başlatma#

Normalde YOLO11'i çalıştırmak için Streamlit bileşenlerini kullanarak bir Python betiği geliştirmeniz gerekir. Ancak Ultralytics, YOLO11'i Streamlit ile çalıştırmanın basit bir yolunu sunar.

Aşağıdaki Python betiğini çalıştırmak, Streamlit uygulamasını varsayılan web tarayıcınızda anında başlatacaktır:

Ek bir yapılandırma gerekmez. Streamlit uygulama arayüzü, görseller ve videolar için bir yükleme bölümü, ilgilendiğin Ultralytics YOLO11 model varyantını seçmek için açılır bir menü ve algılama güvenini ayarlamak için kaydırıcılar içerir. Her şey düzenli bir şekilde organize edilmiştir ve kullanıcıların ekstra kod yazmadan zahmetsizce çıkarım yapmasını mümkün kılar.

Streamlit uygulamasında Ultralytics YOLO11 kullanarak çıkarım çalıştırma#

Streamlit uygulaması web tarayıcında çalıştığına göre, Ultralytics YOLO11 ile çıkarım yapmak için onu nasıl kullanacağını keşfedelim.

Örneğin, nesne algılama için bir video dosyasını analiz etmek istediğimizi varsayalım. İşte dosya yükleme, model seçme ve gerçek zamanlı sonuçları görüntüleme adımları:

• Bir video dosyası yükleyin: Kullanıcı yapılandırması açılır menüsünden "video" seçeneğini belirleyin; bu, uygulamaya web kamerası beslemesi yerine önceden kaydedilmiş bir dosyayı işlemesini söyler.
• Bir YOLO11 modeli seçin: Büyük bir YOLO11 modeli kullanarak nesne algılama için model açılır menüsünden "YOLO11l" seçeneğini belirleyin.
• Algılama sürecini başlat: Ultralytics YOLO11'in videoyu kare kare analiz etmesine ve nesneleri gerçek zamanlı olarak algılamasına izin vererek "Başlat"a tıkla.
• İşlenmiş videoyu görüntüleyin: Videonun, algılanan nesneleri sınırlayıcı kutularla (bounding boxes) görüntüleyerek canlı güncellemelerle ekranda belirişini izleyin.
• Streamlit'teki sonuçlarla etkileşime girin: Arayüzü kullanarak ayarları yapın veya ek kurulum ya da kodlama gerektirmeden algılamaları analiz edin.

Şekil 3. Ultralytics YOLO Streamlit uygulama arayüzü.

Streamlit ve Ultralytics YOLO11 kullanan kullanım senaryoları#

Streamlit'in prototipler, araştırma araçları ve küçük ila orta ölçekli uygulamalar oluşturmak için ne kadar harika olduğuna göz attık. Karmaşık ön uç geliştirme süreçleri olmadan yapay zeka modellerini dağıtmanın basit bir yolunu sunar.

Bununla birlikte, yukarıdaki adımlarda kurduğumuz Ultralytics YOLO Streamlit uygulamasını kullanmadığınız sürece, YOLO11'i Streamlit ile çalıştırmak her zaman hazır bir çözüm değildir. Çoğu durumda, uygulamayı belirli ihtiyaçlara uyacak şekilde özelleştirmek için biraz geliştirme çalışması gerekir. Streamlit dağıtımı basitleştirse de, YOLO11'in sorunsuz çalıştığından emin olmak için gerekli bileşenleri yapılandırmanız gerekecektir.

Ultralytics YOLO11'in gerçek dünya senaryolarında Streamlit ile nasıl etkili bir şekilde dağıtılabileceğine dair iki pratik örneği inceleyelim.

Ultralytics YOLO11 kullanarak envanter kontrolleri için nesne sayma#

Perakende mağazalarında, depolarda veya ofis malzemeleri alanlarında envanter takibi yapmak zaman alıcı olabilir ve hataya açık olabilir. İşletmeler, Streamlit ile Ultralytics YOLO11 kullanarak nesne sayımını hızlı ve verimli bir şekilde otomatikleştirebilir; bu da onu büyük ölçekli bir dağıtıma taahhütte bulunmadan önce kavram kanıtlama (PoC) için harika bir seçenek haline getirir.

Bu kurulumla, kullanıcılar bir görsel yükleyebilir veya canlı kamera akışı kullanabilir ve Ultralytics YOLO11, nesneleri anında algılamaya ve saymaya yardımcı olabilir. Gerçek zamanlı sayı, Streamlit arayüzünde görüntülenebilir ve manuel çaba harcamadan stok seviyelerini izlemek için kolay bir yol sağlar.

Örneğin, bir mağaza sahibi bir rafı tarayabilir ve manuel olarak saymak zorunda kalmadan kaç şişe, kutu veya paketli ürün olduğunu hemen görebilir. Ultralytics YOLO11 ve Streamlit'ten yararlanarak işletmeler manuel çalışmayı azaltabilir, doğrulugu artırabilir ve minimum yatırımla otomasyonu keşfedebilir.

Şek 4. Ultralytics YOLO11 kullanarak buzdolabındaki şişeleri algılama.

Ultralytics YOLO11 ve Streamlit ile güvenliği artırma#

Ofislerde, depolarında veya etkinlik alanlarında kısıtlı alanları güvende tutmak zor olabilir, özellikle de manuel izleme ile. İşletmeler, Streamlit ile Ultralytics YOLO11 kullanarak yetkisiz erişimi gerçek zamanlı olarak algılamak için basit bir yapay zeka destekli güvenlik sistemi kurabilir.

Bir kamera akışı, Ultralytics YOLO11'in kısıtlı bölgelere giren kişileri belirlemek ve izlemek için kullanıldığı Streamlit arayüzüne bağlanabilir. Yetkisiz bir kişi algılanırsa, sistem bir uyarı tetikleyebilir veya inceleme için olayı kaydedebilir.

Örneğin bir depo müdürü yüksek güvenlikli depolama alanlarına erişimi izleyebilir veya bir ofis, sürekli gözetim gerektirmeden kısıtlı bölümlerdeki hareketi takip edebilir.

Bu, daha büyük, tamamen otomatize edilmiş bir sisteme geçmeden önce görsel yapay zeka odaklı güvenlik izlemesini keşfetmek isteyen işletmeler için dikkate değer bir proje olabilir. Ultralytics YOLO11'i Streamlit ile entegre ederek işletmeler güvenliği artırabilir, manuel izlemeyi en aza indirebilir ve yetkisiz erişime daha etkili bir şekilde yanıt verebilir.

Streamlit ile interaktif bir yapay zeka uygulamasını izlemek için ipuçları#

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

Dağıtımdan sonra dikkate alınması gereken bazı temel faktörler şunlardır:

• Regular monitoring: Tespit 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.

Öne çıkanlar#

Ultralytics, YOLO11 dağıtımını tek bir komutla çalışan (kodlama gerektirmeyen) kullanıma hazır bir Streamlit canlı arayüzü ile basitleştirir. Bu, kullanıcıların gerçek zamanlı nesne algılamayı anında kullanmaya başlamasını sağlar.

Arayüz ayrıca yerleşik özelleştirme özelliklerini içerir; bu da kullanıcıların modeller arasında geçiş yapmasını, algılama doğruluğunu ayarlamasını ve nesneleri kolaylıkla filtrelemesini sağlar. Her şey, manuel kullanıcı arayüzü geliştirme ihtiyacını ortadan kaldıran basit, kullanıcı dostu bir arayüz içinde yönetilir. Birleştirerek

Ultralytics YOLO11'in yetenekleri ve Streamlit'in dağıtım kolaylığı sayesinde işletmeler ve geliştiriciler yapay zeka odaklı uygulamaları hızla prototipleyebilir, test edebilir ve iyileştirebilir.

community topluluğumuzun bir parçası ol ve AI hakkında daha fazla içgörü için GitHub repository deponu keşfet. AI in manufacturing ve computer vision in healthcare gibi yenilikler hakkında daha fazla bilgi edinmek için çözümler sayfalarımıza göz at. licensing options seçeneklerimizi incele ve bugün başla!