Modellvorhersage mit Ultralytics YOLO

Einführung

In der Welt des machine learning und der computer vision wird der Prozess, visuelle Daten interpretierbar zu machen, oft als Inferenz oder Vorhersage bezeichnet. Ultralytics YOLO26 bietet eine leistungsstarke Funktion namens predict mode, die für hochperformante Echtzeit-Inferenz bei einer Vielzahl von Datenquellen maßgeschneidert ist.

Anwendungsbereiche in der Praxis

Fertigung	Sport	Sicherheit
Fahrzeugersatzteil-Erkennung	Fußballspieler-Erkennung	Personen-Sturzerkennung

Warum Ultralytics YOLO für die Inferenz verwenden?

Hier ist der Grund, warum du den Predict-Modus von YOLO26 für deine verschiedenen Inferenzanforderungen in Betracht ziehen solltest:

• Vielseitigkeit: Ermöglicht die Inferenz auf Bildern, Videos und sogar Live-Streams.
• Leistung: Entwickelt für Echtzeit-Verarbeitung mit hoher Geschwindigkeit, ohne Einbußen bei der accuracy.
• Benutzerfreundlichkeit: Intuitive Python- und CLI-Schnittstellen für schnelle Bereitstellung und Tests.
• Hochgradig anpassbar: Verschiedene Einstellungen und Parameter, um das Inferenzverhalten des Modells an deine spezifischen Anforderungen anzupassen.
• Produktionsbereit: Stelle Modelle als API-Endpunkte auf der Ultralytics Platform mit automatischem Skalieren und Überwachung bereit oder führe die Inferenz lokal aus.

Hauptfunktionen des Predict-Modus

Der Predict-Modus von YOLO26 ist robust und vielseitig gestaltet und bietet:

• Kompatibilität mit mehreren Datenquellen: Egal ob deine Daten als einzelne Bilder, eine Bildersammlung, Videodateien oder Echtzeit-Videostreams vorliegen, der Predict-Modus deckt alles ab.
• Streaming-Modus: Nutze die Streaming-Funktion, um einen speichereffizienten Generator von Results Objekten zu erstellen. Aktiviere dies, indem du stream=True in der Aufrufmethode des Predictors setzt.
• Batch-Verarbeitung: Verarbeite mehrere Bilder oder Videoframes in einem einzigen Batch, um die gesamte Inferenzzeit weiter zu reduzieren.
• Integrationsfreundlich: Dank der flexiblen API lässt sich das Modell einfach in bestehende Datenpipelines und andere Softwarekomponenten integrieren.

Ultralytics YOLO Modelle geben entweder eine Python-Liste von Results Objekten oder einen speichereffizienten Generator von Results Objekten zurück, wenn stream=True während der Inferenz an das Modell übergeben wird:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n 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

Inferenzquellen

YOLO26 kann verschiedene Arten von Eingabequellen für die Inferenz verarbeiten, wie in der Tabelle unten dargestellt. Die Quellen umfassen statische Bilder, Videostreams und verschiedene Datenformate. Die Tabelle gibt auch an, ob jede Quelle im Streaming-Modus mit dem Argument stream=True ✅ verwendet werden kann. Der Streaming-Modus ist vorteilhaft für die Verarbeitung von Videos oder Live-Streams, da er einen Generator von Ergebnissen erstellt, anstatt alle Frames in den Speicher zu laden.

Nachfolgend findest du Code-Beispiele für die Verwendung jedes Quelltyps:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

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

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

Inferenz-Argumente

model.predict() akzeptiert mehrere Argumente, die während der Inferenz übergeben werden können, um die Standardwerte zu überschreiben:

Feste Größe vs. minimales Rechteck (rect)

Standardmäßig verwendet die Vorhersage rect=True, was nach Möglichkeit eine Minimal-Rechteck-Auffüllung (Padding) aktiviert. Das Bild wird skaliert, um in imgsz zu passen, und nur auf das nächste Vielfache des Strides aufgefüllt, sodass der endgültige Tensor kleiner als imgsz sein kann. Das Minimal-Rechteck-Padding wird nur verwendet, wenn alle Bilder im Batch die gleiche Form haben und das Backend dies unterstützt (PyTorch .pt oder dynamisches ONNX / Triton). Andernfalls werden die Bilder auf das volle imgsz-Ziel aufgefüllt.

Verwende rect=False, um immer auf das volle imgsz-Ziel aufzufüllen. Dies wird empfohlen, wenn du eine feste Eingabegröße benötigst, um exportierten Modellen (ONNX, TensorRT usw.) zu entsprechen.

Integer vs. Tupel imgsz

• Ein Integer imgsz=640 wird nach der Stride-Rundung zu einem quadratischen Ziel (640, 640).
• Ein Tupel imgsz=(384, 672) legt ein rechteckiges Ziel fest. Mit rect=True und auto=True kann der tatsächliche Tensor kleiner als dieses Ziel sein.

Training vs. Vorhersage/Export

Training accepts only a single integer imgsz (a [h, w] list is coerced to the largest value). Predict and export accept either an integer or a (height, width) tuple.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

Inferenz-Argumente:

Visualisierungsargumente:

Bild- und Videoformate

YOLO26 unterstützt verschiedene Bild- und Videoformate, wie in ultralytics/data/utils.py spezifiziert. Siehe die Tabellen unten für gültige Suffixe und Beispiel-Vorhersagebefehle.

Bilder

Die unten stehende Tabelle enthält gültige Ultralytics-Bildformate.

Videos

Die unten stehende Tabelle enthält gültige Ultralytics-Videoformate.

Arbeiten mit Ergebnissen

Alle Ultralytics predict()-Aufrufe geben eine Liste von Results-Objekten zurück:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

Results-Objekte verfügen über die folgenden Attribute:

Results-Objekte verfügen über die folgenden Methoden:

Weitere Details findest du in der Results Klassen-Dokumentation.

Boxes

Das Boxes-Objekt kann verwendet werden, um Bounding-Boxen zu indizieren, zu manipulieren und in verschiedene Formate zu konvertieren.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

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

Hier ist eine Tabelle für die Methoden und Eigenschaften der Boxes-Klasse, einschließlich Name, Typ und Beschreibung:

Weitere Details findest du in der Boxes Klassen-Dokumentation.

Masks

Das Masks-Objekt kann verwendet werden, um Masken zu indizieren, zu manipulieren und in Segmente zu konvertieren.

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

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

Hier ist eine Tabelle für die Methoden und Eigenschaften der Masks-Klasse, einschließlich Name, Typ und Beschreibung:

Weitere Details findest du in der Masks Klassen-Dokumentation.

Keypoints

Das Keypoints-Objekt kann verwendet werden, um Koordinaten zu indizieren, zu bearbeiten und zu normalisieren.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

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

Hier ist eine Tabelle mit den Methoden und Eigenschaften der Keypoints-Klasse, einschließlich Name, Typ und Beschreibung:

Weitere Details findest du in der Keypoints-Klassendokumentation.

Probs

Das Probs-Objekt kann verwendet werden, um Klassifizierungsindizes und Scores für top1 und top5 abzurufen und zu indizieren.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

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

Hier ist eine Tabelle, die die Methoden und Eigenschaften für die Probs-Klasse zusammenfasst:

Weitere Details findest du in der Probs-Klassendokumentation.

OBB

Das OBB-Objekt kann verwendet werden, um orientierte Bounding Boxes zu indizieren, zu bearbeiten und in verschiedene Formate zu konvertieren.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

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

Hier ist eine Tabelle mit den Methoden und Eigenschaften der OBB-Klasse, einschließlich Name, Typ und Beschreibung:

Weitere Details findest du in der OBB-Klassendokumentation.

Ergebnisse grafisch darstellen

Die plot()-Methode in Results-Objekten erleichtert die Visualisierung von Vorhersagen, indem erkannte Objekte (wie Bounding Boxes, Masken, Keypoints und Wahrscheinlichkeiten) über das Originalbild gelegt werden. Diese Methode gibt das annotierte Bild als NumPy-Array zurück, was eine einfache Anzeige oder Speicherung ermöglicht.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/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")

Parameter der plot()-Methode

Die plot()-Methode unterstützt verschiedene Argumente zur Anpassung der Ausgabe:

Thread-sichere Inferenz

Die Gewährleistung der Thread-Sicherheit bei der Inferenz ist entscheidend, wenn du mehrere YOLO-Modelle parallel in verschiedenen Threads ausführst. Thread-sichere Inferenz garantiert, dass die Vorhersagen jedes Threads isoliert sind und sich nicht gegenseitig beeinflussen, wodurch Race Conditions vermieden werden und konsistente sowie zuverlässige Ergebnisse erzielt werden.

Bei der Verwendung von YOLO-Modellen in einer Multi-Threaded-Anwendung ist es wichtig, separate Modellobjekte für jeden Thread zu instanziieren oder Thread-lokalen Speicher zu verwenden, um Konflikte zu vermeiden:

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=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

Für einen detaillierten Einblick in thread-sichere Inferenz mit YOLO-Modellen und schrittweise Anleitungen beziehe dich bitte auf unseren YOLO Thread-Safe Inference Guide. Dieser Leitfaden bietet dir alle notwendigen Informationen, um häufige Fehler zu vermeiden und sicherzustellen, dass deine Multi-Threaded-Inferenz reibungslos abläuft.

Streaming-Quell-for-Schleife

Hier ist ein Python-Skript, das OpenCV (cv2) und YOLO verwendet, um Inferenz auf Video-Frames auszuführen. Dieses Skript setzt voraus, dass du die notwendigen Pakete (opencv-python und ultralytics) bereits installiert hast.

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.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()

Dieses Skript führt Vorhersagen für jeden Frame des Videos aus, visualisiert die Ergebnisse und zeigt sie in einem Fenster an. Die Schleife kann durch Drücken von 'q' beendet werden.

FAQ

Was ist Ultralytics YOLO und sein Vorhersagemodus für Echtzeit-Inferenz?

Ultralytics YOLO ist ein hochmodernes Modell für Echtzeit-Objekterkennung, Segmentierung und Klassifizierung. Sein Vorhersagemodus ermöglicht es Benutzern, Hochgeschwindigkeits-Inferenz auf verschiedenen Datenquellen wie Bildern, Videos und Live-Streams durchzuführen. Entwickelt für Leistung und Vielseitigkeit, bietet es auch Batch-Verarbeitung und Streaming-Modi. Weitere Details zu seinen Funktionen findest du im Ultralytics YOLO Vorhersagemodus.

Wie kann ich Inferenz mit Ultralytics YOLO auf verschiedenen Datenquellen ausführen?

Ultralytics YOLO kann eine Vielzahl von Datenquellen verarbeiten, einschließlich einzelner Bilder, Videos, Verzeichnisse, URLs und Streams. Du kannst die Datenquelle im model.predict()-Aufruf angeben. Verwende zum Beispiel 'image.jpg' für ein lokales Bild oder 'https://ultralytics.com/images/bus.jpg' für eine URL. Sieh dir die detaillierten Beispiele für verschiedene Inferenzquellen in der Dokumentation an.

Wie optimiere ich die Geschwindigkeit und Speicherauslastung der YOLO-Inferenz?

Um die Inferenzgeschwindigkeit zu optimieren und den Speicher effizient zu verwalten, kannst du den Streaming-Modus verwenden, indem du stream=True in der Aufrufmethode des Prädiktors setzt. Der Streaming-Modus generiert einen speichereffizienten Generator von Results-Objekten, anstatt alle Frames in den Speicher zu laden. Für die Verarbeitung langer Videos oder großer Datensätze ist der Streaming-Modus besonders nützlich. Erfahre mehr über den Streaming-Modus.

Welche Inferenzargumente unterstützt Ultralytics YOLO?

Die model.predict()-Methode in YOLO unterstützt verschiedene Argumente wie conf, iou, imgsz, device und mehr. Diese Argumente ermöglichen es dir, den Inferenzprozess anzupassen, indem du Parameter wie Konfidenzschwellen, Bildgröße und das für die Berechnung verwendete Gerät festlegst. Detaillierte Beschreibungen dieser Argumente findest du im Abschnitt Inferenzargumente.

Wie kann ich die Ergebnisse von YOLO-Vorhersagen visualisieren und speichern?

Nach der Durchführung der Inferenz mit YOLO enthalten die Results-Objekte Methoden zum Anzeigen und Speichern annotierter Bilder. Du kannst Methoden wie result.show() und result.save(filename="result.jpg") verwenden, um die Ergebnisse zu visualisieren und zu speichern. Fehlende übergeordnete Verzeichnisse im Dateinamenpfad werden automatisch erstellt (z. B. result.save("path/to/result.jpg")). Eine umfassende Liste dieser Methoden findest du im Abschnitt Arbeiten mit Ergebnissen.