Chạy ứng dụng AI tương tác với Streamlit và Ultralytics YOLO11

Computer vision models là các công cụ AI có tác động mạnh mẽ giúp máy tính hiểu và phân tích dữ liệu trực quan, thực hiện các tác vụ như phát hiện đối tượng, phân loại hình ảnh và phân đoạn thực thể với độ chính xác cao. Tuy nhiên, đôi khi chúng đòi hỏi các chuyên môn kỹ thuật bổ sung, chẳng hạn như kỹ năng phát triển web hoặc ứng dụng di động để triển khai và giúp đông đảo người dùng tiếp cận.

Lấy Ultralytics YOLO11 làm ví dụ. Đây là một model hỗ trợ nhiều tác vụ và hữu ích trong hàng loạt ứng dụng. Tuy nhiên, nếu thiếu đi một số kiến thức về front-end kỹ thuật, việc xây dựng và triển khai một giao diện thân thiện với người dùng để tương tác liền mạch có thể tạo cảm giác hơi thách thức đối với một số kỹ sư AI.

Streamlit là một mã nguồn mở framework nhằm mục đích làm cho quá trình này trở nên dễ dàng hơn. Đây là một công cụ dựa trên Python để xây dựng các ứng dụng tương tác mà không cần phát triển front-end phức tạp. Khi kết hợp với Ultralytics YOLO11, nó cho phép người dùng tải lên hình ảnh, xử lý video và trực quan hóa kết quả thời gian thực với nỗ lực tối thiểu.

Ultralytics tiến thêm một bước với giải pháp Live Inference của mình, giúp việc tích hợp Streamlit thậm chí còn dễ dàng hơn. Chỉ với một câu lệnh duy nhất, người dùng có thể khởi chạy một Streamlit app for YOLO11 được xây dựng sẵn, loại bỏ hoàn toàn nhu cầu thiết lập và lập trình thủ công.

Trong bài viết này, chúng ta sẽ cùng tìm hiểu cách thiết lập và chạy YOLO11 bằng giải pháp Live Inference của Ultralytics với Streamlit, giúp việc triển khai AI theo thời gian thực trở nên nhanh chóng và dễ tiếp cận hơn.

Streamlit là gì?#

Streamlit là một framework Python giúp đơn giản hóa việc tạo các ứng dụng web tương tác. Các nhà phát triển AI có thể xây dựng các ứng dụng dựa trên AI mà không cần phải đối mặt với những phức tạp của việc phát triển front-end.

Nó được thiết kế để hoạt động liền mạch với các mô hình AI và machine learning. Chỉ với vài dòng code Python, nhà phát triển có thể tạo ra một giao diện nơi người dùng có thể tải lên hình ảnh, xử lý video và tương tác với các mô hình AI.

Hình 1. Các tính năng chính của Streamlit. Ảnh của tác giả.

Một trong những tính năng chính của nó là kết xuất động (dynamic rendering). Khi người dùng thực hiện thay đổi, ứng dụng sẽ cập nhật tự động mà không cần tải lại trang thủ công.

Ngoài ra, vì có dung lượng nhẹ và dễ sử dụng, Streamlit chạy hiệu quả trên cả máy cục bộ và các nền tảng đám mây. Điều này biến nó thành lựa chọn tuyệt vời để triển khai ứng dụng AI, chia sẻ mô hình với người khác và cung cấp trải nghiệm người dùng trực quan, có tính tương tác cao.

Ultralytics YOLO11: Một mô hình Vision AI linh hoạt#

Trước khi đi sâu vào cách chạy dự đoán trực tiếp (live inference) với Ultralytics YOLO11 trong ứng dụng Streamlit, hãy cùng xem xét kỹ hơn điều gì tạo nên sự đáng tin cậy của YOLO11.

Ultralytics YOLO11 là một model được thiết kế cho các computer vision tasks thời gian thực như phát hiện đối tượng, phân đoạn thực thể và ước lượng tư thế. Nó mang lại hiệu suất tốc độ cao với độ chính xác ấn tượng.

Fig 2. Một ví dụ về việc sử dụng YOLO11 để phát hiện đối tượng.

Một trong những ưu điểm lớn nhất của YOLO11 là sự dễ sử dụng. Không cần các thiết lập phức tạp; các nhà phát triển có thể cài đặt gói Python Ultralytics và bắt đầu thực hiện dự đoán chỉ với vài dòng code.

Gói Python Ultralytics cung cấp hàng loạt tính năng, cho phép người dùng tinh chỉnh mô hình và điều chỉnh các thiết lập phát hiện. Nó cũng giúp tối ưu hóa hiệu suất trên nhiều thiết bị khác nhau để triển khai mượt mà hơn.

Vượt ra ngoài tính linh hoạt, gói Python của Ultralytics hỗ trợ các integrations trên nhiều nền tảng, bao gồm các edge device, môi trường đám mây và hệ thống hỗ trợ GPU NVIDIA. Cho dù được triển khai trên một thiết bị nhúng nhỏ hay một máy chủ đám mây quy mô lớn, YOLO11 vẫn thích ứng một cách dễ dàng, giúp vision AI tiên tiến trở nên dễ tiếp cận hơn bao giờ hết.

Lợi ích khi sử dụng Streamlit với Ultralytics YOLO11#

Bạn có thể tự hỏi, làm thế nào để biết Streamlit có phải là tùy chọn triển khai phù hợp với mình hay không? Nếu bạn đang tìm kiếm một cách đơn giản, hiệu quả về mã nguồn để chạy Ultralytics YOLO11 mà không cần xử lý việc phát triển front-end, Streamlit là một tùy chọn tốt - đặc biệt là cho việc tạo nguyên mẫu, các dự án proof-of-concept (PoC), hoặc các triển khai hướng tới số lượng người dùng nhỏ hơn.

Nó hợp lý hóa quá trình làm việc với Ultralytics YOLO11 bằng cách loại bỏ độ phức tạp không cần thiết và cung cấp một giao diện trực quan cho việc tương tác thời gian thực. Dưới đây là một số ưu điểm chính khác:

• Điều khiển AI có thể tùy chỉnh: Bạn có thể thêm các thanh trượt (slider), menu thả xuống và nút bấm vào giao diện, cho phép người dùng tinh chỉnh các thiết lập phát hiện và lọc các vật thể cụ thể một cách dễ dàng.

• Tích hợp với các công cụ AI khác: Streamlit hỗ trợ tích hợp với NumPy, OpenCV, Matplotlib và các thư viện machine learning khác, giúp nâng cao năng lực cho quy trình làm việc AI.

• Trực quan hóa dữ liệu tương tác: Hỗ trợ tích hợp sẵn cho các biểu đồ giúp người dùng trực quan hóa kết quả phát hiện vật thể, phân đoạn hoặc thông tin theo dõi một cách dễ dàng.

• Thân thiện với cộng tác: Các ứng dụng Streamlit có thể được chia sẻ dễ dàng với thành viên trong nhóm, các bên liên quan hoặc khách hàng thông qua một đường dẫn đơn giản, cho phép phản hồi và lặp lại ngay lập tức.

Hướng dẫn từng bước để triển khai Ultralytics YOLO11 trong một web app Streamlit#

Bây giờ chúng ta đã khám phá các lợi ích của việc sử dụng Streamlit với Ultralytics YOLO11, hãy cùng tìm hiểu cách chạy các tác vụ thị giác máy tính thời gian thực trong trình duyệt bằng cách sử dụng Streamlit với YOLO11.

Cài đặt gói Python Ultralytics#

Bước đầu tiên là cài đặt Ultralytics Python package. Quá trình này có thể được thực hiện bằng cách sử dụng câu lệnh sau:

Sau khi cài đặt, YOLO11 đã sẵn sàng để sử dụng mà không cần bất kỳ thiết lập phức tạp nào. Nếu bạn gặp phải bất kỳ vấn đề nào trong quá trình cài đặt các gói cần thiết, bạn có thể tham khảo Common Issues Guide của chúng tôi để biết các mẹo khắc phục sự cố và giải pháp.

Khởi chạy ứng dụng Streamlit với Ultralytics YOLO11#

Thông thường, bạn sẽ cần phát triển một script Python sử dụng các thành phần Streamlit để chạy YOLO11. Tuy nhiên, Ultralytics cung cấp một cách đơn giản để chạy YOLO11 với Streamlit.

Chạy script Python sau đây sẽ ngay lập tức khởi chạy ứng dụng Streamlit trong trình duyệt web mặc định của bạn:

Không cần cấu hình bổ sung nào. Giao diện ứng dụng Streamlit bao gồm một phần tải lên cho hình ảnh và video, một menu thả xuống để chọn biến thể model Ultralytics YOLO11 mà bạn quan tâm, và các thanh trượt để điều chỉnh độ tin cậy phát hiện. Mọi thứ được tổ chức gọn gàng, giúp người dùng có thể chạy inference một cách dễ dàng mà không cần viết thêm mã nguồn.

Chạy inference sử dụng Ultralytics YOLO11 trên ứng dụng Streamlit#

Bây giờ ứng dụng Streamlit đang chạy trong trình duyệt web của bạn, hãy cùng khám phá cách sử dụng nó để chạy inference với Ultralytics YOLO11.

Ví dụ, giả sử chúng ta muốn phân tích một file video để phát hiện vật thể. Dưới đây là các bước để tải file lên, chọn mô hình và xem kết quả theo thời gian thực:

• Tải lên một file video: Chọn "video" từ menu thả xuống cấu hình người dùng, điều này báo cho ứng dụng biết cần xử lý một file đã ghi trước thay vì nguồn cấp dữ liệu từ webcam.
• Chọn mô hình YOLO11: Chọn "YOLO11l" từ menu thả xuống của mô hình để phát hiện vật thể bằng mô hình YOLO11 lớn.
• Bắt đầu quá trình phát hiện: Nhấp vào "Start", cho phép Ultralytics YOLO11 phân tích video từng khung hình và phát hiện đối tượng trong thời gian thực.
• Xem video đã xử lý: Quan sát video xuất hiện trên màn hình với các cập nhật trực tiếp, hiển thị các vật thể được phát hiện cùng với các khung bao (bounding box).
• Tương tác với kết quả trong Streamlit: Sử dụng giao diện để điều chỉnh các thiết lập hoặc phân tích các phát hiện, tất cả mà không cần thiết lập thêm hay lập trình.

Hình 3. Giao diện ứng dụng Ultralytics YOLO Streamlit.

Các trường hợp sử dụng Streamlit và Ultralytics YOLO11#

Chúng ta đã xem qua cách Streamlit rất tuyệt vời để tạo các bản mẫu, công cụ nghiên cứu và các ứng dụng quy mô từ nhỏ đến trung bình. Nó cung cấp một cách đơn giản để triển khai các mô hình AI mà không cần phát triển front-end phức tạp.

Tuy nhiên, việc chạy YOLO11 với Streamlit không phải lúc nào cũng là giải pháp "mì ăn liền" - trừ khi bạn sử dụng ứng dụng Ultralytics YOLO Streamlit mà chúng ta đã thiết lập trong các bước trên. Trong hầu hết các trường hợp, cần có công việc phát triển để tùy chỉnh ứng dụng cho phù hợp với các nhu cầu cụ thể. Mặc dù Streamlit giúp đơn giản hóa việc triển khai, bạn vẫn sẽ cần cấu hình các thành phần cần thiết để đảm bảo YOLO11 chạy mượt mà.

Hãy cùng khám phá hai ví dụ thực tế về cách Ultralytics YOLO11 có thể được triển khai hiệu quả với Streamlit trong các kịch bản thực tế.

Đếm đối tượng để kiểm tra kho hàng sử dụng Ultralytics YOLO11#

Việc theo dõi hàng tồn kho trong các cửa hàng bán lẻ, phòng lưu trữ, hoặc khu vực vật tư văn phòng có thể tốn thời gian và dễ xảy ra lỗi. Sử dụng Ultralytics YOLO11 với Streamlit, các doanh nghiệp có thể tự động hóa việc đếm đối tượng một cách nhanh chóng và hiệu quả, biến nó thành một tùy chọn tuyệt vời cho proof of concept (PoC) trước khi cam kết triển khai quy mô lớn.

Với thiết lập này, người dùng có thể tải lên một hình ảnh hoặc sử dụng nguồn cấp dữ liệu camera trực tiếp, và Ultralytics YOLO11 có thể giúp phát hiện và đếm đối tượng ngay lập tức. Số lượng thời gian thực có thể được hiển thị trong giao diện Streamlit, cung cấp một cách dễ dàng để giám sát mức độ hàng tồn kho mà không cần nỗ lực thủ công.

Ví dụ, chủ cửa hàng có thể quét một kệ hàng và ngay lập tức xem có bao nhiêu chai, hộp, hoặc hàng hóa đóng gói mà không phải đếm chúng thủ công. Bằng cách tận dụng Ultralytics YOLO11 và Streamlit, các doanh nghiệp có thể giảm thiểu công việc thủ công, cải thiện độ chính xác, và khám phá tự động hóa với mức đầu tư tối thiểu.

Hình 4. Phát hiện các chai trong tủ lạnh bằng cách sử dụng Ultralytics YOLO11.

Tăng cường bảo mật với Ultralytics YOLO11 và Streamlit#

Việc giữ an toàn cho các khu vực hạn chế trong văn phòng, nhà kho, hoặc địa điểm tổ chức sự kiện có thể khó khăn, đặc biệt là với việc giám sát thủ công. Sử dụng Ultralytics YOLO11 với Streamlit, các doanh nghiệp có thể thiết lập một hệ thống bảo mật đơn giản được hỗ trợ bởi AI để phát hiện truy cập trái phép trong thời gian thực.

Nguồn cấp dữ liệu camera có thể được kết nối với giao diện Streamlit, nơi Ultralytics YOLO11 được sử dụng để nhận diện và theo dõi những người đi vào khu vực hạn chế. Nếu phát hiện một người không có quyền truy cập, hệ thống có thể kích hoạt cảnh báo hoặc ghi lại sự kiện để xem xét.

Ví dụ, một quản lý nhà kho có thể giám sát việc truy cập vào các khu vực lưu trữ có an ninh cao, hoặc một văn phòng có thể theo dõi sự di chuyển trong các phần khu vực hạn chế mà không cần giám sát liên tục.

Đây có thể là một dự án mở mang tầm mắt cho các doanh nghiệp muốn khám phá tính năng giám sát bảo mật dựa trên vision AI trước khi cam kết với một hệ thống lớn hơn, hoàn toàn tự động. Bằng cách tích hợp Ultralytics YOLO11 với Streamlit, các doanh nghiệp có thể nâng cao bảo mật, giảm thiểu giám sát thủ công, và phản hồi với truy cập trái phép một cách hiệu quả hơn.

Các mẹo giám sát ứng dụng AI tương tác với Streamlit#

Sử dụng các công cụ như Streamlit để triển khai các mô hình thị giác máy tính giúp tạo ra trải nghiệm tương tác và thân thiện với người dùng. Tuy nhiên, sau khi thiết lập giao diện trực tiếp, điều quan trọng là đảm bảo hệ thống chạy hiệu quả và mang lại kết quả chính xác theo thời gian.

Dưới đây là một số yếu tố chính cần xem xét sau khi triển khai:

• Regular monitoring: Theo dõi độ chính xác phát hiện, tốc độ inference và mức sử dụng tài nguyên. Điều chỉnh các tham số model hoặc nâng cấp phần cứng nếu hiệu suất suy giảm.
• Quản lý nhiều người dùng và khả năng mở rộng: Khi nhu cầu người dùng tăng lên, việc tối ưu hóa cơ sở hạ tầng là chìa khóa để duy trì hiệu suất. Các nền tảng đám mây và các giải pháp triển khai có thể mở rộng giúp đảm bảo hoạt động mượt mà.
• Giữ cho mô hình luôn được cập nhật: Việc giữ cho mô hình và các thư viện luôn được cập nhật giúp nâng cao độ chính xác, bảo mật và quyền truy cập vào các tính năng mới.

Các điểm chính cần lưu ý#

Ultralytics đơn giản hóa việc triển khai YOLO11 với giao diện trực tiếp Streamlit sẵn sàng sử dụng, chạy chỉ bằng một câu lệnh - không cần lập trình. Điều này cho phép người dùng bắt đầu sử dụng tính năng phát hiện vật thể theo thời gian thực ngay lập tức.

Giao diện cũng bao gồm khả năng tùy chỉnh tích hợp, cho phép người dùng chuyển đổi các mô hình, điều chỉnh độ chính xác phát hiện và lọc các vật thể một cách dễ dàng. Mọi thứ được quản lý trong một giao diện đơn giản, thân thiện với người dùng, loại bỏ nhu cầu phát triển UI thủ công. Bằng cách kết hợp

Khả năng của Ultralytics YOLO11 cùng với tính dễ triển khai của Streamlit, các doanh nghiệp và nhà phát triển có thể nhanh chóng tạo nguyên mẫu, thử nghiệm và tinh chỉnh các ứng dụng do AI điều khiển.

Trở thành một phần của cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để có thêm thông tin chi tiết về AI. Hãy xem các trang giải pháp của chúng tôi để tìm hiểu thêm về các đổi mới như AI trong sản xuất và computer vision trong y tế. Kiểm tra các tùy chọn cấp phép của chúng tôi và bắt đầu ngay hôm nay!