Streamlit ve Ultralytics YOLO11 ile etkileşimli bir Yapay Zeka uygulaması çalıştır

Bilgisayarlı görü modelleri, makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayan, nesne algılama, görüntü sınıflandırma ve örnek bölümleme gibi görevleri yüksek doğrulukla gerçekleştiren 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 uzmanlıklar gerekebilir.

Örneğin Ultralytics YOLO11 modelini ele alalım. Bu, çeşitli görevleri destekleyen ve birçok uygulamada faydalı olan bir modeldir. Ancak biraz teknik ön uç bilgisi olmadan, sorunsuz bir 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 geliştirme süreçleri olmadan interaktif uygulamalar oluşturmak için Python tabanlı bir araçtır. YOLO11 ile eşleştirildiğinde, kullanıcıların minimum çabayla görseller yüklemesine, videoları işlemesine ve gerçek zamanlı sonuçları görselleştirmesine olanak tanır.

Ultralytics, Canlı Çıkarım (Live Inference) çözümüyle bunu bir adım öteye taşıyarak Streamlit entegrasyonunu daha da kolaylaştırıyor. Kullanıcılar tek bir komutla, manuel kurulum ve kodlama ihtiyacını ortadan kaldıran, YOLO11 için önceden oluşturulmuş bir Streamlit uygulamasını başlatabilirler.

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.

Link to this sectionStreamlit 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.

Link to this sectionUltralytics 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 algılama, örnek bölümleme ve poz kestirimi gibi gerçek zamanlı bilgisayarlı görü görevleri için tasarlanmış bir modeldir. Etkileyici bir doğrulukla yüksek hızlı performans sunar.

Şekil 2. Nesne algılama 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 paketi uç cihazlar, bulut ortamları ve NVIDIA GPU özellikli sistemler dahil olmak üzere birden fazla platformda entegrasyonları destekler. İster küçük bir gömülü cihazda ister büyük ölçekli bir bulut sunucusunda dağıtılsın, YOLO11 zahmetsizce uyum sağlar ve gelişmiş görsel yapay zekayı her zamankinden daha erişilebilir kılar.

Link to this sectionUltralytics YOLO11 ile Streamlit kullanmanın faydaları#

Streamlit'in benim için doğru dağıtım seçeneği olup olmadığını nasıl anlarım diye merak ediyor olabilirsiniz. Eğer ön uç geliştirme ile uğraşmadan YOLO11'i çalıştırmanın basit ve kod açısından verimli bir yolunu arıyorsanız, Streamlit iyi bir seçenektir; özellikle prototipleme, kavram kanıtı (PoC) projeleri veya daha az sayıda kullanıcıya yönelik dağıtımlar için.

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

• 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.

Link to this sectionYOLO11'i bir Streamlit web uygulamasında dağıtmak için adım adım kılavuz#

Streamlit'i YOLO11 ile kullanmanın avantajlarını keşfettiğimize göre, şimdi Streamlit ve YOLO11 kullanarak bir tarayıcıda gerçek zamanlı bilgisayarlı görü görevlerinin nasıl çalıştırılacağına bakalım.

Link to this sectionUltralytics Python paketini yükleme#

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

Yüklendikten sonra YOLO11, karmaşık bir kurulum gerektirmeden kullanıma hazırdır. Gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları ve çözümleri için Yaygın Sorunlar Kılavuzumuza başvurabilirsiniz.

Link to this sectionStreamlit uygulamasını 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 yapılandırmaya gerek yoktur. Streamlit uygulama arayüzü; görseller ve videolar için bir yükleme bölümü, ilgilendiğiniz YOLO11 model varyantını seçmek için bir açılır menü ve algılama güvenini ayarlamak için kaydırıcılar içerir. Her şey düzenli bir şekilde organize edilmiştir, bu da kullanıcıların fazladan kod yazmadan zahmetsizce çıkarımlar çalıştırmasını mümkün kılar.

Link to this sectionStreamlit uygulamasında YOLO11 kullanarak çıkarımlar çalıştırma#

Streamlit uygulaması web tarayıcınızda çalıştığına göre, YOLO11 ile çıkarımlar çalıştırmak için onu nasıl kullanacağımızı 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 işlemini başlatın: "Start" (Başlat) düğmesine tıklayın; bu, YOLO11'in videoyu kare kare analiz etmesine ve nesneleri gerçek zamanlı olarak algılamasına olanak tanır.
• 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.

Link to this sectionStreamlit ve YOLO11 kullanan kullanım durumları#

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.

Link to this sectionYOLO11 kullanarak envanter kontrolleri için nesneleri sayma#

Perakende mağazalarında, depo odalarında veya ofis malzemeleri alanlarında envanter takibi yapmak zaman alıcı olabilir ve hatalara açık olabilir. YOLO11 ve Streamlit'i kullanan işletmeler, nesne sayımını hızlı ve verimli bir şekilde otomatikleştirebilirler, bu da büyük ölçekli bir dağıtıma geçmeden önce bir kavram kanıtı (PoC) için harika bir seçenektir.

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

Örneğin, bir mağaza sahibi bir rafı tarayabilir ve manuel olarak saymak zorunda kalmadan kaç tane şişe, kutu veya paketli ürünün mevcut olduğunu anında görebilir. YOLO11 ve Streamlit'ten yararlanarak işletmeler manuel iş yükünü azaltabilir, doğruluğu artırabilir ve minimum yatırımla otomasyonu keşfedebilirler.

Şekil 4. YOLO11 kullanarak buzdolabındaki şişeleri algılama.

Link to this sectionYOLO11 ve Streamlit ile güvenliği artırma#

Ofislerde, depolarda veya etkinlik alanlarında kısıtlı bölgeleri güvende tutmak, özellikle manuel izleme ile zor olabilir. YOLO11 ve Streamlit'i kullanan işletmeler, yetkisiz erişimi gerçek zamanlı olarak algılamak için basit bir yapay zeka destekli güvenlik sistemi kurabilirler.

Bir kamera beslemesi Streamlit arayüzüne bağlanabilir; burada YOLO11 kısıtlı bölgelere giren kişileri tanımlamak ve izlemek için kullanılır. Yetkisiz bir kişi algılanırsa, sistem bir uyarı tetikleyebilir veya olayı inceleme için günlüğe 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, tam otomatik bir sisteme geçmeden önce görsel yapay zeka odaklı güvenlik izlemeyi keşfetmek isteyen işletmeler için ufuk açıcı bir proje olabilir. YOLO11'i Streamlit ile entegre ederek işletmeler güvenliği artırabilir, manuel izlemeyi en aza indirebilir ve yetkisiz erişime daha etkili bir şekilde yanıt verebilirler.

Link to this sectionStreamlit 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:

• Düzenli izleme: Algılama doğruluğunu, çıkarım hızını ve kaynak kullanımını takip edin. Performans düşerse model parametrelerini ayarlayın veya donanımı yükseltin.
• 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.

Link to this sectionÖne 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

YOLO11'in yetenekleri ile Streamlit'in dağıtım kolaylığını bir araya getiren işletmeler ve geliştiriciler, yapay zeka destekli uygulamaları hızla prototipleyebilir, test edebilir ve iyileştirebilir.

Topluluğumuzun bir parçası ol ve yapay zeka hakkında daha fazla içgörü için GitHub depomuzu keşfet. İmalatta yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi inovasyonlar hakkında daha fazla bilgi edinmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimizi incele ve bugün başla!