Paketdetailsv3.0.2

flutter_vision

Plugin zur Verwaltung von Yolov5, Yolov8 und Yolov11 mit LiteRT (TensorFlow Lite) Unterstützung. Objekterkennung und Segmentierung auf Android. iOS, in Entwicklung.

AndroidiOS

pub.dev API-Dokumentation Quellcode

30-Tage-Downloads: 348
Likes: 116
Pub-Punkte: 160

Paket installieren

flutter pub add flutter_vision

Paketübersicht

Aus öffentlichen Paketdaten erstellte Orientierung.

flutter_vision ist ein Flutter-Plugin, das die Objekterkennung und Segmentierung mithilfe von YOLOv5-, YOLOv8- und YOLOv11-Modellen über LiteRT (TensorFlow Lite) ermöglicht. Es unterstützt sowohl Android als auch iOS und bietet eine effiziente Inferenz direkt auf dem Gerät für Computer-Vision-Aufgaben. Das Plugin ist für Entwickler konzipiert, die Echtzeit-Bildanalyse in mobilen Apps integrieren möchten, und wird kontinuierlich weiterentwickelt, um Funktionalität und Leistung zu verbessern. Es ist besonders nützlich für Anwendungen, die eine schnelle und genaue Objekterkennung und Lokalisierung direkt auf dem Gerät erfordern.

Anwendungsfälle

Echtzeit-Objekterkennung in mobilen Apps
Bildsegmentierung für erweiterte Realität
OCR und visuelle Analyse auf dem Gerät
Mobilbasierte Überwachungssysteme
KI-gesteuerte Fototagging

Hauptmerkmale

Unterstützt YOLOv5-, YOLOv8- und YOLOv11-Modelle
Verwendet TensorFlow Lite über LiteRT für optimierte Leistung
Plattformübergreifende Kompatibilität mit Android und iOS
Leichtgewichtig und geeignet für mobile Bereitstellung
Eingebaute Unterstützung für Objekterkennung und Segmentierung

Geeignet für

Mobile-App-Entwickler, die mit KI-Vision arbeiten
Teams, die On-Gerät-Computer Vision-Funktionen entwickeln
Projekte, die eine geringe Latenz bei der Inferenz erfordern
Entwickler, die mit minimalem Aufwand Android und iOS ansprechen
Prototyping von künstlich-intelligenten Kamera-Anwendungen

Hinweise

Weiterhin in aktiver Entwicklung
Beschränkte Dokumentation verfügbar
Die Leistung hängt von der Gerätehardware ab
Die Modellgröße kann die App-Bundle-Größe beeinflussen
Die Integration von iOS erfordert möglicherweise zusätzliche Konfiguration

Original-README

Originaler README-Schnappschuss aus dem verknüpften Quell-Repository. Aktuelle Inhalte finden Sie im Repository.

flutter_vision

A Flutter plugin for managing Yolov5, Yolov8, and Yolov11 accessing with LiteRT (TensorFlow Lite). Support object detection and segmentation on Android. iOS not updated, working in progress.

Installation

Add flutter_vision as a dependency in your pubspec.yaml file.

Android

In android/app/build.gradle, add the following setting in android block.

    android{
        aaptOptions {
            noCompress 'tflite'
            noCompress 'lite'
        }
    }

iOS

Coming soon ...

Usage

For YoloV5, YoloV8, and YoloV11 MODEL

Create a assets folder and place your labels file and model file in it. In pubspec.yaml add:

  assets:
   - assets/labels.txt
   - assets/yolovx.tflite

Import the library:

import 'package:flutter_vision/flutter_vision.dart';

Initialized the flutter_vision library:

 FlutterVision vision = FlutterVision();

Load the model and labels: modelVersion: yolov5 or yolov8 or yolov8seg or yolo11 or yolov11

await vision.loadYoloModel(
        labels: 'assets/labelss.txt',
        modelPath: 'assets/yolov5n.tflite',
        modelVersion: "yolov5",
        quantization: false,
        numThreads: 1,
        useGpu: false);

For camera live feed

Make your first detection: confThreshold work with yolov5 other case it is omited.

Make use of camera plugin

final result = await vision.yoloOnFrame(
        bytesList: cameraImage.planes.map((plane) => plane.bytes).toList(),
        imageHeight: cameraImage.height,
        imageWidth: cameraImage.width,
        iouThreshold: 0.4,
        confThreshold: 0.4,
        classThreshold: 0.5);

For static image

Make your first detection or segmentation:

final result = await vision.yoloOnImage(
        bytesList: byte,
        imageHeight: image.height,
        imageWidth: image.width,
        iouThreshold: 0.8,
        confThreshold: 0.4,
        classThreshold: 0.7);

Release resources:

await vision.closeYoloModel();

About results

For Yolo v5, v8, or v11 in detection task

result is a List<Map<String,dynamic>> where Map have the following keys:

   Map<String, dynamic>:{
    "box": [x1:left, y1:top, x2:right, y2:bottom, class_confidence]
    "tag": String: detected class
   }

For YoloV8 in segmentation task

result is a List<Map<String,dynamic>> where Map have the following keys:

   Map<String, dynamic>:{
    "box": [x1:left, y1:top, x2:right, y2:bottom, class_confidence]
    "tag": String: detected class
    "polygons": List<Map<String, double>>: [{x:coordx, y:coordy}]
   }