Streamlit是一个开源的Python框架，专门设计用于快速构建和共享数据应用程序。它使数据科学家和机器学习工程师能够通过编写简单的Python脚本，轻松创建美观、功能强大的Web应用程序，而无需具备前端开发的经验。
其他框架或web应用可以看下面两篇博客介绍
1.使用gradio库实现Web应用，允许用户上传图像，并使用YOLOv8模型对图像进行目标检测。
2.python常用Web框架介绍
以下是Streamlit的一些关键特性和功能：
简单易用：
只需几行代码即可创建一个应用程序。
不需要HTML、CSS或JavaScript知识。
实时更新：
应用程序可以在代码更改时实时更新，无需手动刷新浏览器。
交互式小部件：
提供多种交互式小部件，如滑块、按钮、下拉菜单等，用户可以与应用程序进行互动。
集成数据可视化：
支持多种数据可视化库，如Matplotlib、Seaborn、Plotly、Altair等，轻松将数据可视化集成到应用程序中。
Markdown支持：
支持Markdown语法，方便用户在应用程序中添加文本、标题、链接等内容。
部署方便：
可以轻松地将应用程序部署到云端，分享给他人使用。
示例代码
下面是一个简单的Streamlit应用程序示例，展示如何使用Streamlit创建一个基本的Web应用程序：
import streamlit as st
import pandas as pd
import numpy as np
标题
st.title('我的第一个 Streamlit 应用')
文本输入
user_input = st.text_input("输入你的名字")
显示用户输入
st.write(f"你好，{user_input}!")
显示数据框
df = pd.DataFrame({
'列A': np.random.randn(10),
'列B': np.random.randn(10)
})
st.write("数据框示例：", df)
显示图表
st.line_chart(df)
交互式小部件
if st.button('点击我'):
st.write("按钮已点击！")
下拉菜单
option = st.selectbox(
'选择一个选项',
['选项1', '选项2', '选项3']
)
st.write('你选择了：', option)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
如何运行Streamlit应用程序
安装Streamlit：
pip install streamlit
1
创建一个Python脚本，例如app.py，并将上述示例代码复制到该文件中。
运行Streamlit应用程序：
streamlit run app.py
1
在浏览器中打开显示的URL，即可看到Streamlit应用程序。
Streamlit通过简单的API和实时的反馈，极大地简化了数据应用程序的开发和分享过程，适合快速原型设计和数据展示。
YOLOv8-检测实例
完整代码如下：
import streamlit as st
设置页面配置
st.set_page_config(page_title="YOLOv8 图像检测", layout="wide")
import cv2
import numpy as np
import os
from ultralytics import YOLO
from PIL import Image
设置上传和结果文件夹
UPLOAD_FOLDER = 'uploads'
RESULT_FOLDER = 'results'
os.makedirs(UPLOAD_FOLDER, exist_ok=True)
os.makedirs(RESULT_FOLDER, exist_ok=True)
加载模型
model = YOLO('yolov8n.pt')
def process_image(image):
# 将PIL图像转换为OpenCV格式
image = np.array(image)
image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
# 保存上传的图像
filename = 'uploaded_image.jpg'
file_path = os.path.join(UPLOAD_FOLDER, filename)
cv2.imwrite(file_path, image)
# 处理图像
results = model(image)
detection_results = []
for result in results:
boxes = result.boxes
for box in boxes:
x1, y1, x2, y2 = box.xyxy[0]
conf = box.conf[0]
cls = box.cls[0]
class_name = model.names[int(cls)]
cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(image, f'{class_name}:{conf:.2f}', (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9,
(36, 255, 12), 2)
detection_results.append(f'Class: {class_name}, Confidence: {conf:.2f}, Box: ({x1}, {y1}), ({x2}, {y2})')
# 保存处理后的图像
result_filename = 'result_image.jpg'
result_path = os.path.join(RESULT_FOLDER, result_filename)
cv2.imwrite(result_path, image)
# 将处理后的图像转换回PIL格式
result_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
result_image = Image.fromarray(result_image)
return result_image, detection_results
创建Streamlit界面
st.title("YOLOv8 图像检测")
st.write("上传图像并使用YOLOv8模型进行检测")
uploaded_file = st.file_uploader("上传图像", type=["jpg", "jpeg", "png"])
if uploaded_file is not None:
# 加载上传的图像
image = Image.open(uploaded_file)
# st.image(image, caption='上传的图像', use_column_width=True)
st.image(image, caption='上传的图像', width=600)
# 处理图像
result_image, detection_results = process_image(image)
# 显示处理后的图像和检测结果
# st.image(result_image, caption='处理后的图像', use_column_width=True)
st.image(result_image, caption='处理后的图像', width=600)
st.write("检测结果：")
for result in detection_results:
st.write(result)
启动Streamlit应用
if name == 'main':
pass
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
运行Streamlit应用：
将上述代码保存为 yolo8_Streamlit.py，在命令行运行以下命令启动Streamlit应用：
streamlit run yolo8_Streamlit.py
1
Streamlit会自动在浏览器中打开应用程序，你可以上传图像并查看YOLOv8模型的检测结果。
注意一点：
运行这段代码，必须在终端下面运行上述命令行，若在pycharm下右击运行代码，会报警告，而且有如下错误：
