Streamlit ve Ultralytics YOLO11 ile etkileşimli bir yapay zekâ uygulaması çalıştır

Bilgisayarlı görü modelleri, makinelerin görsel verileri yorumlayıp analiz etmesini ve nesne algılama, görüntü sınıflandırma ve örnek segmentasyonu gibi görevleri yüksek doğrulukla gerçekleştirmesini sağlayan etkili yapay zekâ araçlarıdır. Ancak bu modelleri dağıtmak ve daha geniş bir kitlenin erişimine sunmak için bazen web geliştirme veya mobil uygulama geliştirme gibi ek teknik uzmanlıklar gerekebilir.

Örneğin Ultralytics YOLO11. Çeşitli görevleri destekleyen ve çok çeşitli uygulamalarda kullanılabilen bir modeldir. Ancak bazı yapay zekâ mühendisleri için, teknik ön yüz bilgisi olmadan sorunsuz etkileşim sağlayan kullanıcı dostu bir arayüz oluşturup dağıtmak biraz zor olabilir.

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

Ultralytics, Live Inference çözümüyle bu süreci bir adım ileri taşıyarak Streamlit entegrasyonunu daha da kolaylaştırır. Tek bir komutla, önceden oluşturulmuş bir YOLO11 Streamlit uygulamasını başlatabilir ve manuel kurulum ile kodlama gereksinimini ortadan kaldırabilirsin.

Bu makalede, Ultralytics’in Live Inference çözümüyle Streamlit kullanarak YOLO11’i nasıl kurup çalıştıracağını ve gerçek zamanlı yapay zekâ dağıtımını nasıl daha hızlı ve erişilebilir hâle getireceğini adım adım ele alacağız.

Streamlit nedir?#

Streamlit, etkileşimli web uygulamalarının oluşturulmasını kolaylaştıran bir Python çerçevesidir. Yapay zekâ geliştiricileri, ön yüz geliştirmenin incelikleriyle uğraşmadan yapay zekâ destekli uygulamalar oluşturabilir.

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

Şekil 1. Streamlit’in temel özellikleri. Görsel, yazar tarafından hazırlanmıştır.

Temel özelliklerinden biri dinamik oluşturmadır. Kullanıcılar değişiklik yaptığında uygulama, sayfayı manuel olarak yeniden yüklemeye gerek kalmadan otomatik şekilde güncellenir.

Ayrıca Streamlit hafif ve kullanımı kolay olduğundan hem yerel makinelerde hem de bulut platformlarında verimli şekilde çalışır. Bu özellikleri onu yapay zekâ uygulamalarını dağıtmak, modelleri başkalarıyla paylaşmak ve sezgisel, etkileşimli bir kullanıcı deneyimi sunmak için harika bir seçenek hâline getirir.

Ultralytics YOLO11: Çok yönlü bir Vision AI modeli#

Streamlit uygulamasında Ultralytics YOLO11 ile canlı çıkarımların nasıl çalıştırılacağını 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. Etkileyici bir doğrulukla yüksek hızda performans sunar.

Şekil 2. YOLO11’in nesne algılama için kullanımına bir örnek.

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

Ultralytics Python paketi, kullanıcıların modelleri ince ayarlamasına ve algılama ayarlarını düzenlemesine olanak tanıyan çeşitli özellikler sunar. Ayrıca daha sorunsuz bir dağıtım için farklı cihazlardaki performansın optimize edilmesine yardımcı olur.

Esnekliğinin yanı sıra Ultralytics Python paketi, uç cihazlar, bulut ortamları ve NVIDIA GPU özellikli sistemler dâhil olmak üzere birden fazla platformda entegrasyonları destekler. İster küçük bir gömülü cihaza ister büyük ölçekli bir bulut sunucusuna dağıtılsın, YOLO11 zahmetsizce uyum sağlar ve gelişmiş Vision AI teknolojisini her zamankinden daha erişilebilir kılar.

Streamlit’i Ultralytics YOLO11 ile kullanmanın avantajları#

Streamlit’in benim için doğru dağıtım seçeneği olup olmadığını nasıl anlayacağımı merak ediyor olabilirsin. Ön yüz geliştirmeyle uğraşmadan Ultralytics YOLO11’i çalıştırmanın basit ve kod açısından verimli bir yolunu arıyorsan Streamlit iyi bir seçenektir; özellikle prototip oluşturma, kavram kanıtlama (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. Öne çıkan diğer avantajlardan bazıları şunlardır:

• Özelleştirilebilir yapay zekâ kontrolleri: 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 akışlarının yeteneklerini geliştirir.

• Etkileşimli veri görselleştirme: Grafikler ve şemalar için yerleşik destek, kullanıcıların nesne algılama, segmentasyon sonuçlarını veya izleme içgörülerini zahmetsizce görselleştirmesine olanak tanır.

• İş birliğine uygun: Streamlit uygulamaları basit bir bağlantı aracılığıyla ekip üyeleriyle, paydaşlarla veya müşterilerle kolayca paylaşılabilir; böylece anında geri bildirim ve yineleme mümkün olur.

Ultralytics YOLO11’i bir Streamlit web uygulamasında dağıtmak için adım adım kılavuz#

Streamlit’i Ultralytics YOLO11 ile kullanmanın avantajlarını incelediğimize göre şimdi Streamlit ve YOLO11 kullanarak gerçek zamanlı bilgisayarlı görü görevlerini tarayıcıda nasıl çalıştıracağını adım adım ele alalım.

Ultralytics Python paketini yükleme#

İlk adım Ultralytics Python paketini yüklemektir. Bunu aşağıdaki komutu kullanarak yapabilirsin:

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

Streamlit uygulamasını Ultralytics YOLO11 ile başlatma#

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

Aşağıdaki Python betiğini çalıştırmak, Streamlit uygulamasını varsayılan web tarayıcında anında başlatır:

Ek yapılandırma gerekmez. Streamlit uygulamasının arayüzünde görüntü ve video yüklemek için bir bölüm, ilgilendiğin Ultralytics YOLO11 model varyantını seçmek için bir açılır menü ve algılama güvenini ayarlamak için kaydırıcılar bulunur. Her şey düzenli biçimde organize edilmiştir; böylece kullanıcılar ek kod yazmadan çıkarımları zahmetsizce çalıştırabilir.

Streamlit uygulamasında Ultralytics YOLO11 ile çıkarımları çalıştırma#

Streamlit uygulaması web tarayıcında çalıştığına göre şimdi bu uygulamayı Ultralytics YOLO11 ile çıkarımlar çalıştırmak için nasıl kullanacağını inceleyelim.

Örneğin, bir video dosyasını nesne algılama için analiz etmek istediğimizi varsayalım. Dosya yüklemek, model seçmek ve gerçek zamanlı sonuçları görüntülemek için adımlar şunlardır:

• Bir video dosyası yükle: Kullanıcı yapılandırması açılır menüsünden "video" seçeneğini belirle. Bu seçim, uygulamaya web kamerası akışı yerine önceden kaydedilmiş bir dosyayı işlemesini söyler.
• Bir YOLO11 modeli seç: Büyük bir YOLO11 modeli kullanarak nesne algılamak 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 algılamasını sağla.
• İşlenmiş videoyu görüntüle: Algılanan nesnelerin sınırlayıcı kutularla gösterildiği videoyu canlı güncellemelerle ekranda izle.
• Streamlit’te sonuçlarla etkileşime geç: Ek kurulum veya kodlama gerektirmeden ayarları düzenlemek ya da algılamaları analiz etmek için arayüzü kullan.

Şekil 3. Ultralytics YOLO Streamlit uygulamasının arayüzü.

Streamlit ve Ultralytics YOLO11 kullanım örnekleri#

Streamlit’in prototipler, araştırma araçları ve küçük ile orta ölçekli uygulamalar oluşturmak için ne kadar kullanışlı olduğunu inceledik. Karmaşık ön yüz geliştirme süreçleri olmadan yapay zekâ modellerini dağıtmak için basit bir yol sunar.

Ancak yukarıdaki adımlarda kurduğumuz Ultralytics YOLO Streamlit uygulamasını kullanmadığın sürece YOLO11’i Streamlit ile çalıştırmak her zaman kutudan çıktığı hâliyle kullanılabilen bir çözüm değildir. Çoğu durumda uygulamayı belirli ihtiyaçlara uyacak şekilde özelleştirmek için bir miktar geliştirme çalışması gerekir. Streamlit dağıtımı kolaylaştırsa da YOLO11’in sorunsuz çalışmasını sağlamak için gerekli bileşenleri yine de yapılandırman gerekir.

Ultralytics YOLO11’in gerçek hayattaki senaryolarda Streamlit ile etkili şekilde nasıl dağıtılabileceğine dair iki pratik örneği inceleyelim.

Ultralytics YOLO11 ile envanter kontrolleri için nesne sayma#

Perakende mağazalarında, depolarda veya ofis malzeme alanlarında envanteri takip etmek zaman alabilir ve hatalara açık olabilir. Ultralytics YOLO11’i Streamlit ile kullanan işletmeler, nesne sayımını hızlı ve verimli şekilde otomatikleştirebilir; bu da büyük ölçekli bir dağıtıma karar vermeden önce kavram kanıtlama (PoC) için harika bir seçenek sunar.

Bu kurulumla kullanıcılar bir görüntü yükleyebilir veya canlı kamera akışı kullanabilir; Ultralytics YOLO11 ise nesneleri anında algılamaya ve saymaya yardımcı olabilir. Gerçek zamanlı sayı Streamlit arayüzünde görüntülenebilir ve böylece stok seviyelerini manuel çaba harcamadan izlemenin kolay bir yolu sunulur.

Örneğin bir mağaza sahibi, bir rafı tarayarak kaç şişe, kutu veya ambalajlı ürün bulunduğunu bunları manuel olarak saymak zorunda kalmadan hemen görebilir. İşletmeler, Ultralytics YOLO11 ve Streamlit’ten yararlanarak manuel işi azaltabilir, doğruluğu artırabilir ve minimum yatırımla otomasyonu keşfedebilir.

Şekil 4. Ultralytics YOLO11 ile buzdolabındaki şişeleri algılama.

Ultralytics YOLO11 ve Streamlit ile güvenliği artırma#

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

Streamlit arayüzüne bir kamera akışı bağlanabilir ve Ultralytics YOLO11, kısıtlı bölgelere giren kişileri belirlemek ve izlemek için kullanılabilir. Yetkisiz bir kişi algılanırsa sistem bir uyarı tetikleyebilir veya olayı incelenmek üzere kaydedebilir.

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

Bu, daha büyük ve tamamen otomatik bir sisteme yatırım yapmadan önce Vision AI destekli güvenlik izlemeyi keşfetmek isteyen işletmeler için ufuk açıcı bir proje olabilir. İşletmeler, Ultralytics YOLO11’i Streamlit ile entegre ederek güvenliği artırabilir, manuel izlemeyi en aza indirebilir ve yetkisiz erişime daha etkili şekilde yanıt 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 sunduğundan emin olmak önemlidir.

Dağıtımdan sonra dikkate alman gereken bazı temel faktörler şunlardır:

• 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 kritik önem taşır. Bulut platformları ve ölçeklenebilir dağıtım çözümleri sorunsuz çalışmayı güvence altına almaya 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. Bu sayede kullanıcılar gerçek zamanlı nesne algılamayı anında kullanmaya başlayabilir.

Arayüz ayrıca yerleşik özelleştirme özellikleri içerir; böylece kullanıcılar modeller arasında geçiş yapabilir, algılama doğruluğunu ayarlayabilir ve nesneleri kolayca filtreleyebilir. Her şey basit ve kullanıcı dostu bir arayüz üzerinden yönetilir ve manuel kullanıcı arayüzü geliştirme gereksinimi ortadan kalkar. Birleştirerek

Ultralytics YOLO11’in yeteneklerini Streamlit’in dağıtım kolaylığıyla bir araya getiren işletmeler ve geliştiriciler, yapay zekâ destekli uygulamaları hızlıca prototipleyebilir, test edebilir ve iyileştirebilir.

Topluluğumuzun bir parçası ol ve yapay zekâ hakkında daha fazla bilgi edinmek için 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 başla!