使用 Streamlit 和 Ultralytics YOLO11 运行交互式 AI 应用

计算机视觉模型 是具有深远影响力的 AI 工具，能让机器理解并分析视觉数据，从而以高精度执行目标检测、图像分类和实例分割等任务。然而，要部署这些模型并让更广泛的用户能够访问，有时需要额外的技术专长，比如 Web 开发或移动应用开发技能。

以 Ultralytics YOLO11 为例。这是一个支持多种任务且在各种应用场景中都很有用的模型。然而，如果没有一些前端技术知识，对于某些 AI 工程师来说，构建并部署一个用户友好的交互界面可能会感到有点棘手。

Streamlit 是一个开源框架，旨在简化这一过程。它是一个基于 Python 的工具，用于在无需复杂前端开发的情况下构建交互式应用。将其与 YOLO11 结合使用，用户只需极少的投入即可上传图像、处理视频并实现实时结果可视化。

Ultralytics 通过其 Live Inference（实时推理）解决方案将这一体验提升到了新高度，使得 Streamlit 的集成更加容易。用户只需一条命令即可启动预构建的 YOLO11 Streamlit 应用，无需手动设置和编写代码。

在本文中，我们将逐步介绍如何利用 Ultralytics 的 Live Inference 解决方案与 Streamlit 来设置并运行 YOLO11，从而使实时 AI 部署变得更快捷、更易上手。

Link to this section什么是 Streamlit？#

Streamlit 是一个简化交互式 Web 应用创建流程的 Python 框架。AI 开发人员可以构建 AI 驱动的应用，而无需处理前端开发的复杂细节。

它专为与 AI 和机器学习模型无缝协作而设计。只需几行 Python 代码，开发人员即可创建一个用户可以上传图像、处理视频并与 AI 模型交互的界面。

图 1. Streamlit 的主要功能。图片作者：作者。

其核心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，由于其轻量级且易于使用，Streamlit 在本地机器和云平台上都能高效运行。这使其成为部署 AI 应用、与他人共享模型以及提供直观、交互式用户体验的绝佳选择。

Link to this sectionUltralytics YOLO11：多功能的视觉 AI 模型#

在深入探讨如何使用 Streamlit 应用通过 Ultralytics YOLO11 运行实时推理之前，让我们仔细看看是什么让 YOLO11 如此可靠。

Ultralytics YOLO11 是一款专为实时 计算机视觉任务（如目标检测、实例分割和姿态估计）而设计的模型。它能以极高的准确性实现高速性能。

图 2. 使用 YOLO11 进行目标检测的示例。

YOLO11 最大的优势之一是易用性。无需复杂的设置；开发人员只需安装 Ultralytics Python 包，仅需几行代码即可开始进行预测。

Ultralytics Python 包提供了丰富的功能，允许用户微调模型并调整检测设置。它还有助于优化不同设备上的性能，从而实现更平稳的部署。

除了灵活性外，Ultralytics Python 包还支持跨多个平台的 集成，包括边缘设备、云环境和支持 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 比以往任何时候都更易获取。

Link to this section使用 Streamlit 和 Ultralytics YOLO11 的优势#

你可能想知道，我该如何判断 Streamlit 是否适合我的部署需求？如果你正在寻找一种简单且高效的方式来运行 YOLO11，而又不想处理前端开发工作，那么 Streamlit 是一个不错的选择——特别适用于原型设计、概念验证 (PoC) 项目或面向较少用户群体的部署。

它通过消除不必要的复杂性并提供用于实时交互的直观界面，简化了 YOLO11 的使用流程。以下是其他一些关键优势：

• 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，让用户能够轻松微调检测设置并过滤特定目标。

• 与其他 AI 工具的集成： Streamlit 支持与 NumPy、OpenCV、 Matplotlib 和其他机器学习库集成，从而增强了 AI 工作流的处理能力。

• 交互式数据可视化： 内置对图表和图形的支持，用户可以毫不费力地可视化目标检测、分割结果或跟踪见解。

• 利于协作： Streamlit 应用可以通过简单的链接轻松与团队成员、利益相关者或客户共享，从而实现即时反馈和迭代。

Link to this section在 Streamlit Web 应用中部署 YOLO11 的分步指南#

既然我们已经探讨了 将 Streamlit 与 YOLO11 配合使用 的好处，接下来让我们看看如何通过 Streamlit 和 YOLO11 在浏览器中运行实时计算机视觉任务。

Link to this section安装 Ultralytics Python 包#

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

安装完成后，YOLO11 即可直接使用，无需任何复杂的配置。如果在安装所需包时遇到任何问题，你可以查阅我们的 常见问题指南 以获取排查建议和解决方案。

Link to this section使用 YOLO11 启动 Streamlit 应用#

通常情况下，你需要编写一个使用 Streamlit 组件的 Python 脚本来运行 YOLO11。不过，Ultralytics 提供了一种通过 Streamlit 运行 YOLO11 的简单方法。

运行以下 Python 脚本将立即在你的默认 Web 浏览器中启动 Streamlit 应用：

无需任何额外配置。Streamlit 应用界面包含图像和视频上传部分、用于选择你感兴趣的 YOLO11 模型变体的下拉菜单，以及用于调整检测置信度的滑块。一切都井井有条，使用户无需编写额外代码即可轻松运行推理。

Link to this section在 Streamlit 应用上使用 YOLO11 运行推理#

现在 Streamlit 应用已在你的 Web 浏览器中运行，让我们看看如何使用它通过 YOLO11 运行推理。

例如，假设我们要分析一个视频文件以进行目标检测。以下是上传文件、选择模型并查看实时结果的步骤：

• 上传视频文件： 从用户配置下拉菜单中选择“video”，这会告诉应用处理预录制的文件而不是摄像头画面。
• 选择 YOLO11 模型：从模型下拉菜单中选择“YOLO11l”，以便使用大型 YOLO11 模型进行目标检测。
• 开始检测过程：点击“Start”，让 YOLO11 逐帧分析视频并实时检测目标。
• 查看处理后的视频：观察视频在屏幕上显示并伴随实时更新，同时通过边界框标出检测到的目标。
• 在 Streamlit 中与结果交互：使用界面调整设置或分析检测结果，全程无需额外设置或编码。

图 3. Ultralytics YOLO Streamlit 应用界面。

Link to this section使用 Streamlit 和 YOLO11 的用例#

我们已经了解了 Streamlit 如何非常适合创建原型、研究工具以及中小型应用。它提供了一种在无需复杂前端开发的情况下部署 AI 模型的简单方法。

然而，除非你使用我们在上述步骤中设置的 Ultralytics YOLO Streamlit 应用，否则将 YOLO11 与 Streamlit 配合使用并不总是开箱即用的解决方案。在大多数情况下，需要一定的开发工作来定制应用以满足特定需求。虽然 Streamlit 简化了部署，但你仍然需要配置必要的组件以确保 YOLO11 平稳运行。

让我们探讨两个关于 Ultralytics YOLO11 如何在实际场景中通过 Streamlit 有效部署的实用示例。

Link to this section使用 YOLO11 进行库存盘点的目标计数#

在零售商店、储藏室或办公用品区跟踪库存可能既耗时又容易出错。通过结合使用 YOLO11 和 Streamlit，企业可以快速高效地自动化目标计数，这对于在进行大规模部署前的概念验证 (PoC) 是一个很好的选择。

通过此设置，用户可以上传图像或使用实时摄像头馈送，YOLO11 可以帮助即时检测并 计数目标。实时计数值可以直接在 Streamlit 界面中显示，从而提供了一种无需手动干预即可监控库存水平的简便方法。

例如，店主可以扫描货架并立即查看有多少瓶子、盒子或包装商品，而无需手动逐一清点。通过利用 YOLO11 和 Streamlit，企业可以减少人工工作，提高准确性，并以极小的投入探索自动化。

图 4. 使用 YOLO11 检测冰箱里的瓶子。

Link to this section利用 YOLO11 和 Streamlit 增强安全性#

保障办公室、仓库或活动场地内限制区域的安全可能很困难，尤其是单纯依靠人工监控时。通过使用 YOLO11 和 Streamlit，企业可以设置一个简单的 AI 驱动 安全系统 来实时检测未经授权的进入。

摄像头画面可以连接到 Streamlit 界面，其中 YOLO11 用于识别并跟踪进入限制区域的人员。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查。

例如，仓库管理员可以监控高安全性存储区域的访问情况，或者办公室可以在无需持续监督的情况下跟踪限制区域内的活动。

对于希望在投入更大的全自动系统之前探索视觉 AI 驱动安全监控的企业来说，这是一个非常有启发性的项目。通过将 YOLO11 与 Streamlit 集成，企业可以加强安全性、最大限度地减少人工监控，并更有效地应对未经授权的访问。

Link to this section监控使用 Streamlit 构建的交互式 AI 应用的提示#

使用 Streamlit 等工具部署计算机视觉模型有助于创造交互式且用户友好的体验。然而，在设置好实时界面后，确保系统高效运行并在长期内提供准确的结果至关重要。

以下是部署后需要考虑的一些关键因素：

• 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： 随着用户需求的增长，优化基础设施对于维持性能至关重要。云平台和可扩展的部署解决方案有助于确保运行平稳。
• 保持模型更新： 保持模型和库的更新可以提高准确性、安全性和对新功能的访问。

Link to this section关键要点#

Ultralytics 通过一个无需编码、单条命令即可运行的现成 Streamlit 实时界面简化了 YOLO11 的部署。这使得用户能够立即开始使用实时目标检测。

该界面还包含内置的自定义功能，使用户能够轻松切换模型、调整检测精度以及过滤目标。所有操作都在一个简单、用户友好的界面内进行，无需进行手动 UI 开发。通过结合

YOLO11 的功能与 Streamlit 的便捷部署，企业和开发人员可以快速原型化、测试并完善 AI 驱动的应用。

加入我们的社区，并探索我们的GitHub存储库以获取更多关于AI的见解。查看我们的解决方案页面，了解更多关于制造业AI和医疗保健计算机视觉等创新信息。查看我们的许可选项并立即开始使用！