18 Mart 2025
Bir Streamlit arayüzü içinde YOLO11 çıkarımlarını nasıl çalıştıracağınızı ve kodlama uzmanlığı olmadan bilgisayarlı görü görevleri için etkileşimli bir yapay zeka arayüzü oluşturmayı öğrenin.
Bilgisayarlı görü modelleri, makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayan, nesne algılama, görüntü sınıflandırma ve örnek segmentasyonu gibi görevleri yüksek doğrulukla gerçekleştiren etkili yapay zeka araçlarıdır. Ancak, daha geniş bir kitleye dağıtmak ve erişilebilir kılmak için web geliştirme veya mobil uygulama becerileri gibi ek teknik uzmanlık gerektirebilirler.
Örneğin Ultralytics YOLO11'i ele alalım. Çeşitli görevleri destekleyen ve bir dizi uygulamada kullanışlı olan bir modeldir. Ancak, bazı teknik ön uç bilgisi olmadan, sorunsuz etkileşim için kullanıcı dostu bir arayüz oluşturmak ve dağıtmak, bazı yapay zeka mühendisleri için biraz zorlayıcı olabilir.
Streamlit, bu süreci kolaylaştırmayı amaçlayan açık kaynaklı bir çerçevedir. Karmaşık ön uç geliştirmesi olmadan etkileşimli uygulamalar oluşturmaya yönelik Python tabanlı bir araçtır. YOLO11 ile eşleştirildiğinde, kullanıcıların görüntüleri yüklemesine, videoları işlemesine ve gerçek zamanlı sonuçları minimum çabayla görselleştirmesine olanak tanır.
Ultralytics, Live Inference çözümü ile bu durumu bir adım öteye taşıyarak Streamlit entegrasyonunu daha da kolaylaştırıyor. Kullanıcılar tek bir komutla, önceden oluşturulmuş bir YOLO11 Streamlit uygulamasını başlatarak manuel kurulum ve kodlama ihtiyacını ortadan kaldırabilir.
Bu makalede, gerçek zamanlı AI dağıtımını daha hızlı ve erişilebilir hale getirerek, Ultralytics'in Streamlit ile Live Inference çözümünü kullanarak YOLO11'i nasıl kuracağınızı ve çalıştıracağınızı anlatacağız.
Streamlit, etkileşimli web uygulamaları oluşturmayı basitleştiren bir Python çerçevesidir. AI geliştiricileri, ön uç geliştirmenin karmaşıklıklarıyla uğraşmak zorunda kalmadan AI destekli uygulamalar oluşturabilir.
AI ve makine öğrenimi modelleriyle sorunsuz çalışacak şekilde tasarlanmıştır. Geliştiriciler, yalnızca birkaç satır Python koduyla, kullanıcıların resim yükleyebileceği, videoları işleyebileceği ve AI modelleriyle etkileşim kurabileceği bir arayüz oluşturabilir.
Temel özelliklerinden biri dinamik işlemedir. Kullanıcılar değişiklik yaptığında, uygulama manuel sayfa yenilemelerine gerek kalmadan otomatik olarak güncellenir.
Ayrıca, hafif ve kullanımı kolay olduğundan, Streamlit hem yerel makinelerde hem de bulut platformlarında verimli bir şekilde çalışır. Bu, onu AI uygulamalarını dağıtmak, modelleri başkalarıyla paylaşmak ve sezgisel, etkileşimli bir kullanıcı deneyimi sağlamak için harika bir seçim haline getirir.
Bir Streamlit uygulamasında Ultralytics YOLO11 ile canlı çıkarımlar çalıştırmaya nasıl geçeceğimize geçmeden önce, YOLO11'i bu kadar güvenilir yapan şeylere daha yakından bakalım.
Ultralytics YOLO11, nesne tespiti, örnek segmentasyonu ve poz tahmini gibi gerçek zamanlı bilgisayarlı görü görevleri için tasarlanmış bir modeldir. Etkileyici bir doğrulukla yüksek hızlı performans sunar.
YOLO11'in en büyük avantajlarından biri kullanım kolaylığıdır. Karmaşık kurulumlara gerek yoktur; geliştiriciler Ultralytics Python paketini kurabilir ve yalnızca birkaç satır kodla tahminler yapmaya başlayabilir.
Ultralytics Python paketi, kullanıcıların modelleri ince ayarlamasına ve algılama ayarlarını yapmasına olanak tanıyan bir dizi özellik sunar. Ayrıca, daha sorunsuz dağıtım için farklı cihazlarda performansı optimize etmeye yardımcı olur.
Esnekliğin ötesinde, Ultralytics Python paketi, uç cihazlar, bulut ortamları ve NVIDIA GPU özellikli sistemler dahil olmak üzere birden çok platformda entegrasyonları destekler. İster küçük bir gömülü cihazda ister büyük ölçekli bir bulut sunucusunda dağıtılsın, YOLO11 zahmetsizce uyum sağlayarak gelişmiş görüntü işleme AI'sını her zamankinden daha erişilebilir hale getirir.
Streamlit'in benim için doğru dağıtım seçeneği olup olmadığını nasıl anlarım diye merak ediyor olabilirsiniz? Ön uç geliştirme ile uğraşmadan YOLO11'i çalıştırmanın basit, kod açısından verimli bir yolunu arıyorsanız, Streamlit iyi bir seçenektir - özellikle prototipleme, kavram kanıtı (PoC) projeleri veya daha az sayıda kullanıcıyı hedefleyen dağıtımlar için.
Gereksiz karmaşıklığı ortadan kaldırarak ve gerçek zamanlı etkileşim için sezgisel bir arayüz sağlayarak YOLO11 ile çalışma sürecini kolaylaştırır. İşte diğer bazı temel avantajlar:
YOLO11 ile Streamlit kullanmanın faydalarını incelediğimize göre, şimdi Streamlit ile YOLO11 kullanarak bir tarayıcıda gerçek zamanlı bilgisayarlı görü görevlerini nasıl çalıştıracağımızı adım adım inceleyelim.
İlk adım, Ultralytics Python paketini kurmaktır. Bu, aşağıdaki komut kullanılarak yapılabilir:
Kurulum tamamlandıktan sonra, YOLO11 karmaşık bir kurulum gerektirmeden kullanıma hazırdır. Gerekli paketleri kurarken herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları ve çözümleri için Sık Karşılaşılan Sorunlar Kılavuzumuza başvurabilirsiniz.
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 yapılandırmaya gerek yoktur. Streamlit uygulama arayüzü, resimler ve videolar için bir yükleme bölümü, ilgilendiğiniz YOLO11 model varyantını seçmek için bir açılır menü ve algılama güvenini ayarlamak için kaydırıcılar içerir. Her şey düzgün bir şekilde düzenlenmiştir, bu da kullanıcıların ekstra kod yazmadan zahmetsizce çıkarımlar çalıştırmasını mümkün kılar.
Artık Streamlit uygulaması web tarayıcınızda çalıştığına göre, YOLO11 ile çıkarımlar çalıştırmak için nasıl kullanılacağını keşfedelim.
Örneğin, bir video dosyasını nesne algılama için analiz etmek istediğimizi varsayalım. İşte bir dosya yükleme, bir model seçme ve gerçek zamanlı sonuçları görüntüleme adımları:
Streamlit'in prototipler, araştırma araçları ve küçük ila orta ölçekli uygulamalar oluşturmak için ne kadar harika olduğuna bir göz attık. Karmaşık ön uç geliştirme olmadan AI modellerini dağıtmanın basit bir yolunu sunar.
Ancak, YOLO11'i Streamlit ile çalıştırmak her zaman kullanıma hazır bir çözüm değildir - yukarıdaki adımlarda kurduğumuz Ultralytics YOLO Streamlit uygulamasını kullanmadığınız sürece. Çoğu durumda, uygulamayı belirli ihtiyaçlara uyacak şekilde özelleştirmek için bazı geliştirme çalışmaları gereklidir. Streamlit dağıtımı basitleştirse de, YOLO11'in sorunsuz çalışmasını sağlamak için gerekli bileşenleri yapılandırmanız gerekir.
Ultralytics YOLO11'in gerçek dünya senaryolarında Streamlit ile nasıl etkili bir şekilde dağıtılabileceğine dair iki pratik örneği inceleyelim.
Perakende mağazalarında, depolarda veya ofis malzemeleri alanlarında envanteri takip etmek zaman alıcı ve hatalara açık olabilir. YOLO11'i Streamlit ile kullanan işletmeler, nesne sayımını hızlı ve verimli bir şekilde otomatikleştirebilir, bu da büyük ölçekli bir dağıtıma geçmeden önce bir kavram kanıtı (PoC) için harika bir seçenek haline getirir.
Bu kurulumla, kullanıcılar bir resim yükleyebilir veya canlı bir kamera akışı kullanabilir ve YOLO11 anında nesneleri algılamaya ve saymaya yardımcı olabilir. Gerçek zamanlı sayı, Streamlit arayüzünde görüntülenebilir ve manuel çaba harcamadan stok seviyelerini izlemenin kolay bir yolunu sağlar.
Örneğin, bir mağaza sahibi bir rafı tarayabilir ve manuel olarak saymak zorunda kalmadan kaç şişe, kutu veya paketlenmiş ürünün mevcut olduğunu hemen görebilir. İşletmeler, YOLO11 ve Streamlit'ten yararlanarak manuel iş yükünü azaltabilir, doğruluğu artırabilir ve minimum yatırımla otomasyonu keşfedebilir.
Ofislerde, depolarda veya etkinlik mekanlarında kısıtlı alanların güvenliğini sağlamak, özellikle manuel izleme ile zor olabilir. İşletmeler, Streamlit ile YOLO11'i kullanarak, yetkisiz erişimi gerçek zamanlı olarak tespit etmek için basit bir yapay zeka destekli güvenlik sistemi kurabilirler.
Bir kamera akışı, YOLO11'in kısıtlı bölgelere giren kişileri tanımlamak ve izlemek için kullanıldığı Streamlit arayüzüne bağlanabilir. Yetkisiz bir kişi tespit edilirse, sistem bir uyarı tetikleyebilir veya olayı inceleme için kaydedebilir.
Örneğin, bir depo yöneticisi yüksek güvenlikli depolama alanlarına erişimi izleyebilir veya bir ofis, sürekli gözetim ihtiyacı olmadan kısıtlı bölümlerdeki hareketi takip edebilir.
Bu, daha büyük, tam otomatik bir sisteme geçmeden önce, Görüntü İşleme Yapay Zeka'sı odaklı güvenlik izlemeyi keşfetmek isteyen işletmeler için ufuk açıcı bir proje olabilir. İşletmeler, YOLO11'i Streamlit ile entegre ederek güvenliği artırabilir, manuel izlemeyi en aza indirebilir ve yetkisiz erişime daha etkili bir şekilde yanıt verebilir.
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.
Dağıtımdan sonra dikkate alınması gereken bazı önemli faktörler şunlardır:
Ultralytics, tek bir komutla çalışan kullanıma hazır bir Streamlit canlı arayüzü ile YOLO11 dağıtımını basitleştirir - kodlama gerekmez. Bu, kullanıcıların gerçek zamanlı nesne tespitini anında kullanmaya başlamalarını sağlar.
Arayüz ayrıca, kullanıcıların modelleri değiştirmesini, algılama doğruluğunu ayarlamasını ve nesneleri kolaylıkla filtrelemesini sağlayan yerleşik özelleştirme içerir. Her şey basit, kullanıcı dostu bir arayüzde yönetilir ve manuel UI geliştirme ihtiyacını ortadan kaldırır. Birleştirerek
YOLO11'in yeteneklerini Streamlit'in kolay dağıtımıyla birleştiren işletmeler ve geliştiriciler, yapay zeka odaklı uygulamaların prototipini hızla oluşturabilir, test edebilir ve iyileştirebilir.
Topluluğumuzun bir parçası olun ve yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Üretimde yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edinmek için çözümler sayfalarımıza göz atın. Lisanslama seçeneklerimize göz atın ve bugün başlayın!
.webp)