نموذج التنبؤ مع Ultralytics YOLO

مقدمة

In the world of machine learning and computer vision, the process of making sense out of visual data is called 'inference' or 'prediction'. Ultralytics YOLO11 offers a powerful feature known as predict mode that is tailored for high-performance, real-time inference on a wide range of data sources.

شاهد: How to Extract the Outputs from Ultralytics YOLO Model for Custom Projects.

تطبيقات العالم الحقيقي

التصنيع	رياضي	أمان
الكشف عن قطع غيار المركبات	كشف لاعب كرة القدم	كشف سقوط الناس

لماذا الاستخدام Ultralytics YOLO للاستدلال؟

Here's why you should consider YOLO11's predict mode for your various inference needs:

• براعه: قادر على عمل استنتاجات على الصور ومقاطع الفيديو وحتى البث المباشر.
• Performance: Engineered for real-time, high-speed processing without sacrificing accuracy.
• سهولة الاستخدام: بديهي Python و CLI واجهات للنشر والاختبار السريع.
• قابل للتخصيص بدرجة عالية: إعدادات ومعلمات مختلفة لضبط سلوك الاستدلال الخاص بالنموذج وفقا لمتطلباتك الخاصة.

الميزات الرئيسية لوضع التنبؤ

YOLO11's predict mode is designed to be robust and versatile, featuring:

• توافق مصادر البيانات المتعددة: سواء كانت بياناتك في شكل صور فردية أو مجموعة من الصور أو ملفات فيديو أو تدفقات فيديو في الوقت الفعلي ، فإن وضع التنبؤ قد غطيت.
• وضع البث: استخدم ميزة البث لإنشاء مولد فعال للذاكرة Results الكائنات. قم بتمكين ذلك عن طريق الإعداد stream=True في طريقة استدعاء المتنبئ.
• معالجة الدفعات: القدرة على معالجة صور أو إطارات فيديو متعددة في دفعة واحدة ، مما يزيد من تسريع وقت الاستدلال.
• صديقة للتكامل: يمكنك التكامل بسهولة مع خطوط أنابيب البيانات الحالية ومكونات البرامج الأخرى ، وذلك بفضل واجهة برمجة التطبيقات المرنة.

Ultralytics YOLO ترجع النماذج إما أ Python قائمة Results الكائنات ، أو كفاءة الذاكرة Python مولد Results الكائنات عندما stream=True يتم تمريره إلى النموذج أثناء الاستدلال:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"], stream=True)  # return a generator of Results objects

# Process results generator
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

مصادر الاستدلال

YOLO11 can process different types of input sources for inference, as shown in the table below. The sources include static images, video streams, and various data formats. The table also indicates whether each source can be used in streaming mode with the argument stream=True ✅ يعد وضع البث مفيدا لمعالجة مقاطع الفيديو أو البث المباشر لأنه ينشئ مولدا للنتائج بدلا من تحميل جميع الإطارات في الذاكرة.

فيما يلي أمثلة التعليمات البرمجية لاستخدام كل نوع مصدر:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define current screenshot as source
source = "screen"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import cv2

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

# Run inference on the source
results = model(source)  # list of Results objects

import torch

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP, or IP streaming address

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Multiple streams with batched inference (e.g., batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per line

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on the source
results = model(source=0, stream=True)  # generator of Results objects

حجج الاستدلال

model.predict() يقبل وسيطات متعددة يمكن تمريرها في وقت الاستدلال لتجاوز الإعدادات الافتراضية:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

حجج الاستدلال:

وسيطات التصور:

تنسيقات الصور والفيديو

YOLO11 supports various image and video formats, as specified in ultralytics/data/utils.py. See the tables below for the valid suffixes and example predict commands.

الصور

يحتوي الجدول أدناه على صالح Ultralytics تنسيقات الصور.

الفيديوات

يحتوي الجدول أدناه على صالح Ultralytics تنسيقات الفيديو.

العمل مع النتائج

كل Ultralytics predict() ستعيد المكالمات قائمة ب Results الكائنات:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("bus.jpg")  # list of 1 Results object
results = model(["bus.jpg", "zidane.jpg"])  # list of 2 Results objects

Results الكائنات لها السمات التالية:

Results الكائنات لها الطرق التالية:

لمزيد من التفاصيل انظر Results وثائق الفصل.

مربعات

Boxes يمكن استخدام الكائن لفهرسة ومعالجة وتحويل المربعات المحيطة إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

هنا جدول ل Boxes طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Boxes وثائق الفصل.

الكمامات

Masks يمكن استخدام الكائن فهرسة ومعالجة وتحويل الأقنعة إلى شرائح.

from ultralytics import YOLO

# Load a pretrained YOLO11n-seg Segment model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

هنا جدول ل Masks طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Masks وثائق الفصل.

النقاط الرئيسية

Keypoints يمكن استخدام الكائن فهرس ومعالجة وتطبيع الإحداثيات.

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose Pose model
model = YOLO("yolo11n-pose.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

هنا جدول ل Keypoints طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Keypoints وثائق الفصل.

تحقيقات

Probs كائن يمكن استخدامها فهرس ، والحصول على top1 و top5 مؤشرات ودرجات التصنيف.

from ultralytics import YOLO

# Load a pretrained YOLO11n-cls Classify model
model = YOLO("yolo11n-cls.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

فيما يلي جدول يلخص طرق وخصائص Probs فصل:

لمزيد من التفاصيل انظر Probs وثائق الفصل.

أوب

OBB يمكن استخدام الكائن لفهرسة ومعالجة وتحويل المربعات المحيطة الموجهة إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n-obb.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

هنا جدول ل OBB طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر OBB وثائق الفصل.

نتائج التخطيط

ال plot() الطريقة في Results تسهل الكائنات تصور التنبؤات بتراكب الكائنات المكتشفة (مثل المربعات المحيطة والأقنعة والنقاط الرئيسية والاحتمالات) على الصورة الأصلية. ترجع هذه الطريقة الصورة المشروحة كمصفوفة NumPy ، مما يسمح بسهولة العرض أو الحفظ.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg'
results = model(["bus.jpg", "zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

plot() معلمات الطريقة

ال plot() تدعم الطريقة وسيطات مختلفة لتخصيص الإخراج:

الاستدلال الآمن للخيط

يعد ضمان سلامة مؤشر الترابط أثناء الاستدلال أمرا بالغ الأهمية عند تشغيل عدة رسائل YOLO نماذج بالتوازي عبر خيوط مختلفة. يضمن الاستدلال الآمن للخيط عزل تنبؤات كل مؤشر ترابط وعدم تداخل مع بعضها البعض ، وتجنب ظروف السباق وضمان مخرجات متسقة وموثوقة.

عند استخدام YOLO النماذج في تطبيق متعدد مؤشرات الترابط ، من المهم إنشاء مثيل لكائنات نموذج منفصلة لكل مؤشر ترابط أو استخدام التخزين المحلي لمؤشر الترابط لمنع التعارضات:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results


# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image2.jpg")).start()

لإلقاء نظرة متعمقة على الاستدلال الآمن للخيط باستخدام YOLO النماذج والتعليمات خطوة بخطوة ، يرجى الرجوع إلى YOLO دليل الاستدلال الآمن للخيط. سيوفر لك هذا الدليل جميع المعلومات اللازمة لتجنب المزالق الشائعة والتأكد من أن الاستدلال متعدد الخيوط يعمل بسلاسة.

مصدر الجري for-حلقه

هنا Python البرنامج النصي باستخدام OpenCV (cv2) and YOLO to run inference on video frames. This script assumes you have already installed the necessary packages (opencv-python و ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Open the video file
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

سيقوم هذا البرنامج النصي بتشغيل التنبؤات على كل إطار من الفيديو ، وتصور النتائج ، وعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على "q".

الأسئلة المتداولة

What is Ultralytics YOLO and its predict mode for real-time inference?

Ultralytics YOLO is a state-of-the-art model for real-time object detection, segmentation, and classification. Its predict mode allows users to perform high-speed inference on various data sources such as images, videos, and live streams. Designed for performance and versatility, it also offers batch processing and streaming modes. For more details on its features, check out the Ultralytics YOLO predict mode.

How can I run inference using Ultralytics YOLO on different data sources?

Ultralytics YOLO can process a wide range of data sources, including individual images, videos, directories, URLs, and streams. You can specify the data source in the model.predict() الاتصال. على سبيل المثال، استخدم 'image.jpg' لصورة محلية أو 'https://ultralytics.com/images/bus.jpg' لعنوان URL. راجع الأمثلة التفصيلية لمختلف مصادر الاستدلال في الوثائق.

How do I optimize YOLO inference speed and memory usage?

لتحسين سرعة الاستدلال وإدارة الذاكرة بكفاءة، يمكنك استخدام وضع التدفق عن طريق تعيين stream=True في طريقة استدعاء المتنبئ. يُنشئ وضع التدفق مولدًا فعالاً للذاكرة لـ Results بدلاً من تحميل جميع الإطارات في الذاكرة. لمعالجة مقاطع الفيديو الطويلة أو مجموعات البيانات الكبيرة، يكون وضع التدفق مفيدًا بشكل خاص. تعرف على المزيد حول وضع البث.

What inference arguments does Ultralytics YOLO support?

ال model.predict() method in YOLO supports various arguments such as conf, iou, imgsz, deviceوالمزيد. تسمح لك هذه الوسيطات بتخصيص عملية الاستدلال، وتعيين معلمات مثل عتبات الثقة، وحجم الصورة، والجهاز المستخدم في الحساب. يمكن العثور على وصف تفصيلي لهذه الوسيطات في حجج الاستدلال القسم.

How can I visualize and save the results of YOLO predictions?

After running inference with YOLO, the Results على طرق لعرض الصور المشروحة وحفظها. يمكنك استخدام أساليب مثل result.show() و result.save(filename="result.jpg") لتصور النتائج وحفظها. للاطلاع على قائمة شاملة بهذه الطرق، ارجع إلى العمل بالنتائج القسم.

📅 Created 11 months ago ✏️ Updated 0 days ago

التعليقات