Gradio-YOLOv5-YOLOv7 搭建Web GUI

news2025/1/15 17:49:30

目录

  • 0 相关资料:
  • 1 Gradio介绍
  • 2 环境搭建
  • 3 Gradio+YOLOv5
  • 4 Gradio+YOLOv7
  • 5 源码解释

0 相关资料:

Gradio-YOLOv5-Det:https://gitee.com/CV_Lab/gradio_yolov5_det

【手把手带你实战YOLOv5-入门篇】YOLOv5 Gradio搭建Web GUI: https://www.bilibili.com/video/BV1LP411Z7nk

YOLOv5 Gradio 搭建Web GUI:https://blog.csdn.net/weixin_41987016/article/details/129891804

How to Load local YOLOv7 model using PyTorch torch.hub: https://androidkt.com/how-to-load-local-yolov7-model-using-pytorch-torch-hub/

1 Gradio介绍

官网:https://www.gradio.app/
Gradio是一个开源的Python库,用于构建机器学习演示和Web应用。内置丰富的组件,并且实现了前后端的交互逻辑,无需额外编写代码。

2 环境搭建

开始前,我用conda创建了虚拟环境yolo,然后安装了torch
这里还需要安装gradio

pip install gradio

还需要安装yolov5

git clone https://gitee.com/YFwinston/yolov5.git
cd yolov5
pip install -r requirements.txt 

测试是否安装成功

python detect.py --source ./data/images/bus.jpg

yolov7的安装方法类似,就不重复了

3 Gradio+YOLOv5

在yolov5的目录下,创建main.py,内容如下:

import torch
import gradio as gr

model = torch.hub.load("./","custom",path="yolov5s.pt",source="local")
gr.Interface(inputs=["image"],outputs=["image"],fn=lambda img:model(img).render()[0]).launch()

执行:

python main.py

在这里插入图片描述

在这里插入图片描述

4 Gradio+YOLOv7

在yolov7的目录下,创建main.py,内容如下:

import torch
import gradio as gr

model = torch.hub.load('./', 'custom', 'yolov7_HRW_4.2k.pt',force_reload=True, source='local',trust_repo=True)
gr.Interface(inputs=["image"],outputs=["image"],fn=lambda img:model(img).render()[0]).launch()

备注:这里我用的我自己训练的yolov7模型yolov7_HRW_4.2k.pt
执行:

python main.py

在这里插入图片描述

在这里插入图片描述

5 源码解释

import torch
import gradio as gr

model = torch.hub.load("./","custom",path="yolov5s.pt",source="local")
gr.Interface(inputs=["image"],outputs=["image"],fn=lambda img:model(img).render()[0]).launch()

当中的各个参数的意思如下:

  1. torch.hub.load() 是用于从 Torch Hub 加载预训练模型的函数。它的参数如下:

    • "./":指定模型所在的本地文件路径。可以根据实际情况修改为正确的路径。
    • "custom":指定要加载的模型的名称。
    • path="yolov5s.pt":指定要加载的模型文件的路径。在此示例中,yolov5s.pt 是模型文件的名称。
    • source="local":指定模型文件的来源。在此示例中,模型文件是从本地加载的。
  2. gr.Interface() 是 Gradio 库中用于创建交互式界面的类。它的参数如下:

    • inputs=["image"]:指定输入的类型和名称。在此示例中,输入是一个图像,名称为 “image”。
    • outputs=["image"]:指定输出的类型和名称。在此示例中,输出是一个图像,名称为 “image”。
    • fn=lambda img:model(img).render()[0]:指定要在用户输入上执行的函数。在此示例中,该函数接受一个图像作为输入,并使用加载的模型对图像进行推断,然后返回推断结果中的第一个图像。
    • launch():启动 Gradio 接口,使其可以在浏览器中访问。

注意:以上是对参数的解释,实际上的参数值可能需要根据具体情况进行修改。

import torch
import gradio as gr

model = torch.hub.load('./', 'custom', 'yolov7_HRW_4.2k.pt',force_reload=True, source='local',trust_repo=True)
gr.Interface(inputs=["image"],outputs=["image"],fn=lambda img:model(img).render()[0]).launch()

当中的各个参数的意思如下:

  1. torch.hub.load() 是用于从 Torch Hub 加载预训练模型的函数。它的参数如下:

    • "./":指定模型所在的本地文件路径。可以根据实际情况修改为正确的路径。
    • "custom":指定要加载的模型的名称。
    • "yolov7_HRW_4.2k.pt":指定要加载的模型文件的路径。在此示例中,yolov7_HRW_4.2k.pt 是模型文件的名称。
    • force_reload=True:强制重新加载模型文件,即使已经存在缓存的模型。
    • source="local":指定模型文件的来源。在此示例中,模型文件是从本地加载的。
    • trust_repo=True:信任 Torch Hub 仓库,以便加载模型文件。
  2. gr.Interface() 是 Gradio 库中用于创建交互式界面的类。它的参数如下:

    • inputs=["image"]:指定输入的类型和名称。在此示例中,输入是一个图像,名称为 "image"。
    • outputs=["image"]:指定输出的类型和名称。在此示例中,输出是一个图像,名称为 "image"。
    • fn=lambda img:model(img).render()[0]:指定要在用户输入上执行的函数。在此示例中,该函数接受一个图像作为输入,并使用加载的模型对图像进行推断,然后返回推断结果中的第一个图像。
    • launch():启动 Gradio 接口,使其可以在浏览器中访问。

注意:以上是对参数的解释,实际上的参数值可能需要根据具体情况进行修改。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/830131.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

一次某某云上的redis读超时排查经历

性能排查,服务监控方面的知识往往涉及量广且比较零散,如何较为系统化的分析和解决问题,建立其对性能排查,性能优化的思路,我将在这个系列里给出我的答案。 问题背景 最近一两天线上老是偶现的redis读超时报警&#xf…

ChatGPT在工作中的七种用途

1. 用 ChatGPT 替代谷歌搜索引擎 工作时,你一天会访问几次搜索引擎?有了 ChatGPT,使用搜索引擎的频率可能大大下降。 据报道,谷歌这样的搜索引擎巨头,实际上很担心用户最终会把自己的搜索工具换成 ChatGPT。该公司针对…

KiCad各层简述

KiCad各层简述 KiCAD在Pcbnew中总计提供了32个铜层供导线走线(可覆铜),12个固定技术层(按照正反面分为6对),2个独立技术层,4个辅助层。在KiCad里Pcbnew的层描述中,F.代表电路板上层&…

机器学习笔记之优化算法(八)简单认识Wolfe Condition的收敛性证明

机器学习笔记之优化算法——简单认识Wolfe Condition收敛性证明 引言回顾: Wolfe \text{Wolfe} Wolfe准则准备工作推导条件介绍推导结论介绍 关于 Wolfe \text{Wolfe} Wolfe准则收敛性证明的推导过程 引言 上一节介绍了非精确搜索方法—— Wolfe \text{Wolfe} Wolf…

Letter of Acceptance 过期后,如何入境办学签?

很少会有同学遇到LoA过期时间之后入境办学签的问题,所以网上也很少有相关攻略。鉴于此,在联系了IRCC、学院办公室、研究生院和学校移民办公室之后,得到了最终答复。省流:在学校开个入学证明(Proof of Enrolment&#x…

【雕爷学编程】MicroPython动手做(28)——物联网之Yeelight

知识点:什么是掌控板? 掌控板是一块普及STEAM创客教育、人工智能教育、机器人编程教育的开源智能硬件。它集成ESP-32高性能双核芯片,支持WiFi和蓝牙双模通信,可作为物联网节点,实现物联网应用。同时掌控板上集成了OLED…

mybatis log插件

目前idea当中已经实施收费了 最近找了一个不收费的插件安装上重启一下就行了 点我下载提取码:sjc8

blender基础认识(选项开关、工具栏、视图等)

文章目录 引言一、大纲选项开关和保存启动文件1. 大纲选项1. 禁用选中2. 视图影藏3. 视图禁用4. 渲染禁用 2. 保存启动文件 二、工具栏和侧边栏1. 左侧工具栏2. 右侧工具栏 三、视图1. 视角2. 缩放3. 拖拽4. 摄像机视角5. 切换正交视图6. 局部视图7. 显示隐藏 四、添加删除物体…

在centos7.9安装tomcat8,并配置服务启动脚本,部署jpress应用

目录 一、简述静态网页和动态网页的区别 二、简述 Webl.0 和 Web2.0 的区别 三、 安装Tomcat8,配置服务启动脚本,部署jpress应用 3.1、Tomcat简介 3.2、安装Tomcat 3.2.1、配置环境 3.2.2、安装JDK 3.2.3、安装tomcat8 3.2.4、访问主页&#xff1…

go编译文件

1.编译go文件 go build [go文件]2.执行文件编译文件 ./demo [demo为go文件名称]

自然语言处理学习笔记(三)————HanLP安装与使用

目录 1.HanLP安装 2.HanLP使用 (1)预下载 (2)测试 (3)命令行 (4)测试样例 3.pyhanlp可视化 4. HanLP词性表 1.HanLP安装 HanLP的 Python接口由 pyhanlp包提供,其安装…

【深度学习】在 MNIST实现自动编码器实践教程

一、说明 自动编码器是一种无监督学习的神经网络模型,主要用于降维或特征提取。常见的自动编码器包括基本的单层自动编码器、深度自动编码器、卷积自动编码器和变分自动编码器等。 其中,基本的单层自动编码器由一个编码器和一个解码器组成,编…

OLED透明屏安装指南:准备工作、步骤和注意事项

随着科技的不断发展,OLED透明屏作为一种新型的显示技术,逐渐得到了广泛的应用。 OLED透明屏具有高透明度、高亮度和广视角等优势,可以实现透明显示效果,为商业展示、户外广告等领域提供了更广阔的空间。 然而,正确的…

Qt实现可伸缩的侧边工具栏(鼠标悬浮控制伸缩栏)

Qt实现可伸缩的侧边工具栏 一直在网上找,发现大多的实现方案都是用一个按钮,按下控制侧边栏的伸缩,但是我想要实现鼠标悬浮在侧边栏的时候就伸出,移开就收缩的功能,也没找到好的参考,所以决定自己实现一个…

Apache Kafka Learning

一、Kafka Kafka是由Apache软件基金会开发的一个开源流处理平台,由Scala和Java编写。Kafka是一种高吞吐量的分布式发布订阅消息系统,它可以收集并处理用户在网站中的所有动作流数据以及物联网设备的采样信息。 Apache Kafka是Apache软件基金会的开源的流…

Quartz使用文档,使用Quartz实现动态任务,Spring集成Quartz,Quartz集群部署,Quartz源码分析

文章目录 一、Quartz 基本介绍二、Quartz Java 编程1、文档2、引入依赖3、入门案例4、默认配置文件 三、Quartz 重要组件1、Quartz架构体系2、JobDetail3、Trigger(1)代码实例(2)SimpleTrigger(3)CalendarI…

低代码开发工具到底是给“谁”用的?

不同的工具,受众也不一样。 你不要认为“低代码开发工具”只有一种,实际上它分 3 种。 第一种:企业级低代码开发平台 这种通常是给专业开发人员使用的,但也没有限制得很死,只要你懂编程逻辑,能写sql语句&…

[数据分析与可视化] Python绘制数据地图4-MovingPandas入门指北

MovingPandas是一个基于Python和GeoPandas的开源地理时空数据处理库,用于处理移动物体的轨迹数据。它提供了一组强大的工具,可以轻松地加载、分析和可视化移动物体的轨迹。通过使用MovingPandas,用户可以轻松地处理和分析移动对象数据&#x…

微信云开发-数据库操作

文章目录 前提初始化数据库插入数据查询数据获取一条数据获取多条数据查询指令 更新数据更新指令 删除数据总结 前提 首先有1个集合(名称:todos). 其中集合中的数据为: {// 计划描述"description": "learn mini-program cloud service",// 截止日期"…

阿里云OSS的开通+配置及其使用

云存储解决方案-阿里云OSS 文章目录 云存储解决方案-阿里云OSS1. 阿里云OSS简介2. OSS开通(1)打开https://www.aliyun.com/ ,申请阿里云账号并完成实名认证。(2)充值 (可以不用做)(3)开通OSS&am…