---

Детектор объектов YOLOv11

---

Детектор объектов на фото и видео на основе модели YOLOv11

В Goole Colab ноутбуке находится код приложения с комментариями, демонстрацией распознавания фото и видео через модели YOLOv11 из библиотеки Ultralytics и анализом результатов детекции видео с помощью графиков

Скриншот страницы отображения графиков результатов детекции видео

---

Функционал

• Детекция объектов на изображениях (файл или URL ссылка)
• Детекция видео (файл или ссылка на YouTube) с прогресс баром
• Выбор моделей YOLOv11
• Настройка параметров детекции - IOU и Confidence
• Сохранение результатов детекций к видео в csv файл для дальнейшего анализа
• Отображение графиков результатов детекции видео прямо в приложении

---

Стек

• python >=3.8
• ultralytics для детекции объектов с помощью моделей YOLOv11
• gradio для написания веб-интерфейса
• pandas для формирования датафрейма и его сохранения в формат csv
• yt_dlp для загрузки видео с YouTube

Работоспособность приложения проверялась на Ubuntu 22.04 (python 3.10) и Windows 10 (python 3.12)

---

Проблемы

При деплое на удаленных серверах их IP часто оказываются в черных списках YouTube, поэтому загрузка видео через yt_dlp может выдавать ошибку
Sign in to confirm you’re not a bot. This helps protect our community #10128

---

Установка и запуск через Python

1) Клонирование репозитория

git clone https://github.com/sergey21000/yolo-detector.git
cd yolo-detector

2) Создание и активация виртуального окружения (опционально)

• Linux

  python3 -m venv env
  source env/bin/activate
  

• Windows CMD

  python -m venv env
  env\Scripts\activate
  

• Windows PowerShell

  python -m venv env
  env\Scripts\activate.ps1
  

3) Установка зависимостей

• С поддержкой CPU

  pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cpu
  

• С поддержкой CUDA 12.4

  pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cu124
  

Страница устанвки Pytorch где можно выбрать --extra-index-url для других версий CUDA

4) Запуск сервера Gradio

python3 app.py

После запуска сервера перейти в браузере по адресу http://localhost:7860/
Приложение доступно через некоторое время после запуска (после первоначальной загрузки моделей)

---

Установка и запуск через Docker

Для запуска приложения с поддержкой GPU CUDA необходима установка NVIDIA Container Toolkit.

Запуск контейнера из готового образа Docker HUB

С поддержкой CPU

docker run -d -p 7860:7860 -v ./models:/app/models sergey21000/yolo-detector:cpu

С поддержкой CUDA

docker run -d --gpus all -p 7860:7860 -v ./models:/app/models sergey21000/yolo-detector:cuda

Сборка своего образа

1) Клонирование репозитория

git clone https://github.com/sergey21000/yolo-detector.git
cd yolo-detector

2) Сборка образа и запуск контейнера

• С поддержкой CPU

  Сборка образа

  docker build -t yolo-detector:cpu -f Dockerfile-cpu .
  

  Запуск контейнера

  docker run -d -p 7860:7860 -v ./models:/app/models yolo-detector:cpu
  

• С поддержкой CUDA

  Сборка образа

  docker build -t yolo-detector:cuda -f Dockerfile-cuda .
  

  Запуск контейнера

  docker run -d --gpus all -p 7860:7860 -v ./models:/app/models yolo-detector:cuda
  

После запуска сервера перейти в браузере по адресу http://localhost:7860/
Приложение доступно через некоторое время после запуска (после первоначальной загрузки моделей)

---

Приложение написано для демонстрационных и образовательных целей, оно не предназначалось и не тестировалось для промышленного использования

Лицензия

Этот проект лицензирован на условиях лицензии AGPL-3.0 License.