使用 Streamlit 和 Ultralytics YOLO11 运行交互式 AI 应用

计算机视觉模型 是具有重要影响力的 AI 工具，能够让机器解读和分析视觉数据，以高准确率执行目标检测、图像分类和实例分割等任务。不过，要部署这些模型并让更广泛的受众能够使用它们，有时需要额外的技术专长，例如 Web 开发或移动应用开发技能。

以 Ultralytics YOLO11 为例。它支持多种任务，可用于各种应用场景。不过，如果缺乏一定的前端技术知识，为了实现顺畅交互而构建和部署用户友好的界面，对一些 AI 工程师来说可能会有些困难。

Streamlit 是一个旨在简化这一流程的开源框架。它是一个基于 Python 的工具，无需复杂的前端开发即可构建交互式应用。与 Ultralytics YOLO11 搭配使用时，用户只需很少的工作量就能上传图像、处理视频并可视化实时结果。

Ultralytics 通过其 Live Inference 解决方案进一步简化了这一流程，让 Streamlit 集成变得更加容易。只需一条命令，用户即可启动预构建的 YOLO11 Streamlit 应用，无需手动设置和编写代码。

本文将介绍如何使用 Ultralytics 的 Live Inference 解决方案和 Streamlit 设置并运行 YOLO11，让实时 AI 部署更快速、更易于使用。

什么是 Streamlit？#

Streamlit 是一个简化交互式 Web 应用创建过程的 Python 框架。AI 开发者无需处理复杂的前端开发细节，就能构建由 AI 驱动的应用。

它专为与 AI 和机器学习模型无缝协作而设计。开发者只需编写几行 Python 代码，就能创建一个让用户上传图像、处理视频并与 AI 模型交互的界面。

图 1。Streamlit 的主要功能。图片由作者提供。

它的主要功能之一是动态渲染。当用户进行更改时，应用会自动更新，无需手动重新加载页面。

此外，由于 Streamlit 轻量且易于使用，它可以在本地计算机和云平台上高效运行。这使其成为部署 AI 应用、与他人分享模型以及提供直观交互式用户体验的理想选择。

Ultralytics YOLO11：灵活多用的视觉 AI 模型#

在深入了解如何在 Streamlit 应用中使用 Ultralytics YOLO11 运行实时推理之前，我们先来看看 YOLO11 为何如此可靠。

Ultralytics YOLO11 是一个专为实时计算机视觉任务设计的模型，可执行目标检测、实例分割和姿态估计等任务。它在保持出色准确率的同时，提供高速性能。

图 2。使用 YOLO11 进行目标检测的示例。

YOLO11 的最大优势之一是易于使用。无需复杂的设置；开发者只需安装 Ultralytics Python 包，再编写几行代码即可开始进行预测。

Ultralytics Python 包提供了丰富的功能，用户可以利用这些功能微调模型并调整检测设置。它还可以帮助在不同设备上优化性能，从而实现更顺畅的部署。

除了灵活性之外，Ultralytics Python 包还支持跨多个平台的集成，包括边缘设备、云环境和搭载 NVIDIA GPU 的系统。无论部署在小型嵌入式设备还是大规模云服务器上，YOLO11 都能轻松适应，让先进的视觉 AI 比以往更易于使用。

将 Streamlit 与 Ultralytics YOLO11 搭配使用的优势#

你可能会想，我怎么知道 Streamlit 是否适合我的部署需求？如果你想以简单且高效的代码运行 Ultralytics YOLO11，而不必处理前端开发，那么 Streamlit 是一个不错的选择——尤其适合原型设计、概念验证（PoC）项目，或面向较少用户的部署。

它通过消除不必要的复杂性并提供直观的实时交互界面，简化了使用 Ultralytics YOLO11 的流程。以下是其他一些主要优势：

• 可自定义的 AI 控件： 你可以在界面中添加滑块、下拉菜单和按钮，让用户轻松微调检测设置并筛选特定目标。

• 与其他 AI 工具集成： Streamlit 支持与 NumPy、OpenCV、Matplotlib 及其他机器学习库集成，从而增强 AI 工作流能力。

• 交互式数据可视化： 内置的图表支持让用户可以轻松可视化目标检测、分割结果或跟踪信息。

• 便于协作： Streamlit 应用可以通过简单的链接轻松分享给团队成员、利益相关者或客户，从而即时收集反馈并进行迭代。

在 Streamlit Web 应用中部署 Ultralytics YOLO11 的分步指南#

现在我们已经了解了将 Streamlit 与 Ultralytics YOLO11 搭配使用的优势，下面来看看如何使用 Streamlit 和 YOLO11 在浏览器中运行实时计算机视觉任务。

安装 Ultralytics Python 包#

第一步是安装 Ultralytics Python 包。你可以使用以下命令完成安装：

安装完成后，YOLO11 即可使用，无需进行任何复杂设置。如果在安装所需软件包时遇到问题，可以参考我们的常见问题指南获取故障排除提示和解决方案。

使用 Ultralytics YOLO11 启动 Streamlit 应用#

通常，你需要使用 Streamlit 组件开发 Python 脚本来运行 YOLO11。不过，Ultralytics 提供了一种使用 Streamlit 运行 YOLO11 的简单方法。

运行以下 Python 脚本，即可在默认 Web 浏览器中立即启动 Streamlit 应用：

无需进行其他配置。Streamlit 应用界面包含图像和视频上传区域、用于选择你感兴趣的 Ultralytics YOLO11 模型变体的下拉菜单，以及用于调整检测置信度的滑块。所有内容都经过整齐组织，用户无需编写额外代码即可轻松运行推理。

在 Streamlit 应用中使用 Ultralytics YOLO11 运行推理#

现在 Streamlit 应用已在 Web 浏览器中运行，下面来了解如何使用它通过 Ultralytics YOLO11 运行推理。

例如，假设我们想对一个视频文件进行目标检测。以下是上传文件、选择模型和查看实时结果的步骤：

• 上传视频文件： 在用户配置下拉菜单中选择“video”，告诉应用处理预录制文件，而不是摄像头视频流。
• 选择 YOLO11 模型：从模型下拉菜单中选择“YOLO11l”，使用大型 YOLO11 模型进行目标检测。
• 开始检测过程：点击“Start”，让 Ultralytics YOLO11 逐帧分析视频，并实时检测目标。
• 查看处理后的视频：观看视频显示在屏幕上，并实时更新以显示带有边界框的检测目标。
• 在 Streamlit 中交互查看结果：使用界面调整设置或分析检测结果，无需额外设置或编写代码。

图 3。Ultralytics YOLO Streamlit 应用界面。

使用 Streamlit 和 Ultralytics YOLO11 的应用场景#

我们已经了解了 Streamlit 非常适合创建原型、研究工具以及中小型应用。它提供了一种无需复杂前端开发即可部署 AI 模型的简单方法。

不过，使用 Streamlit 运行 YOLO11 并不总是开箱即用的解决方案——除非使用我们在上述步骤中设置的 Ultralytics YOLO Streamlit 应用。在大多数情况下，你仍需进行一些开发工作，以便根据具体需求自定义应用。虽然 Streamlit 简化了部署过程，但你仍然需要配置必要的组件，确保 YOLO11 顺畅运行。

下面来探讨两个实际示例，了解如何在真实场景中有效地将 Ultralytics YOLO11 与 Streamlit 一起部署。

使用 Ultralytics YOLO11 进行库存盘点#

在零售店、储藏室或办公用品区记录库存可能十分耗时，而且容易出错。使用 Ultralytics YOLO11 与 Streamlit，企业可以快速高效地自动进行目标计数，是在投入大规模部署前进行概念验证（PoC）的理想选择。

在这种设置下，用户可以上传图像或使用实时摄像头视频流，Ultralytics YOLO11 能够帮助即时检测并统计目标数量。实时计数结果可以显示在 Streamlit 界面中，让用户无需手动操作即可轻松监控库存水平。

例如，店主可以扫描货架，立即查看其中有多少瓶子、箱子或包装商品，而无需手动计数。借助 Ultralytics YOLO11 和 Streamlit，企业可以减少手动工作、提高准确率，并以极少的投入探索自动化。

图 4。使用 Ultralytics YOLO11 检测冰箱中的瓶子。

使用 Ultralytics YOLO11 和 Streamlit 提升安全性#

在办公室、仓库或活动场所确保受限区域的安全可能十分困难，尤其是在依赖人工监控的情况下。使用 Ultralytics YOLO11 与 Streamlit，企业可以设置简单的 AI 驱动安全系统，实时检测未经授权的访问。

摄像头视频流可以连接到 Streamlit 界面，使用 Ultralytics YOLO11 识别并跟踪进入受限区域的人员。如果检测到未经授权的人员，系统可以触发警报或记录事件以供审核。

例如，仓库经理可以监控高安全级别存储区域的访问情况，办公室也可以跟踪受限区域内的人员活动，而无需持续人工监督。

对于希望在投入更大型、完全自动化的系统之前探索视觉 AI 驱动安全监控的企业来说，这可能是一个很有启发性的项目。通过将 Ultralytics YOLO11 与 Streamlit 集成，企业可以增强安全性、减少人工监控，并更有效地应对未经授权的访问。

使用 Streamlit 监控交互式 AI 应用的技巧#

使用 Streamlit 等工具部署计算机视觉模型，有助于打造交互式且用户友好的体验。不过，在设置实时界面后，确保系统高效运行并随着时间推移持续提供准确结果非常重要。

部署后需要考虑以下几个关键因素：

• 定期监控： 跟踪检测准确率、推理速度和资源使用情况。如果性能下降，请调整模型参数或升级硬件。
• 管理多用户和可扩展性： 随着用户需求增长，优化基础设施对于保持性能至关重要。云平台和可扩展的部署解决方案有助于确保系统平稳运行。
• 保持模型更新： 及时更新模型和库可以提高准确率和安全性，并获得新功能。

要点总结#

Ultralytics 通过开箱即用的 Streamlit 实时界面简化了 YOLO11 部署，只需一条命令即可运行——无需编写代码。用户可以立即开始使用实时目标检测。

该界面还提供内置的自定义功能，用户可以轻松切换模型、调整检测准确率并筛选目标。所有内容都在简单易用的界面中进行管理，无需手动开发 UI。通过结合

Ultralytics YOLO11 的功能与 Streamlit 易于部署的特性，企业和开发者可以快速构建原型、测试并优化由 AI 驱动的应用。

加入我们的社区，并探索我们的 GitHub 代码库，了解更多 AI 相关洞察。查看我们的解决方案页面，进一步了解制造业中的 AI和医疗保健领域的计算机视觉等创新。了解我们的许可选项，立即开始使用！