Modellvorhersage mit Ultralytics YOLO

Einführung

In der Welt von Machine Learning und Computer Visionwird der Prozess, visuelle Daten interpretierbar zu machen, oft als Inferenz oder Vorhersage bezeichnet. Ultralytics YOLO26 bietet eine leistungsstarke Funktion namens predict mode, die speziell für hochperformante Echtzeit-Inferenz über eine Vielzahl von Datenquellen hinweg entwickelt wurde.

Anwendungen in der Praxis

Warum Ultralytics YOLO für die Inferenz nutzen?

Hier erfährst du, warum du den predict mode von YOLO26 für deine verschiedenen Inferenzanforderungen in Betracht ziehen solltest:

• Vielseitigkeit: In der Lage, Inferenz auf Bildern, Videos und sogar Live-Streams auszuführen.
• Leistung: Entwickelt für hochgeschwindigkeitsfähige Echtzeitverarbeitung ohne Einbußen bei der Genauigkeit.
• Benutzerfreundlichkeit: Intuitive Python- und CLI-Schnittstellen für schnelle Bereitstellung und Tests.
• Hohe Anpassbarkeit: Verschiedene Einstellungen und Parameter, um das Inferenzverhalten des Modells exakt auf deine Anforderungen abzustimmen.
• Produktionsbereit: Stelle Modelle als API-Endpunkte auf der Ultralytics Platform mit automatischer Skalierung und Überwachung bereit oder führe Inferenz lokal aus.

Hauptmerkmale des Predict Mode

Der predict mode von YOLO26 ist robust und vielseitig gestaltet und bietet:

• Kompatibilität mit mehreren Datenquellen: Ob deine Daten als einzelne Bilder, eine Sammlung von Bildern, Videodateien oder Echtzeit-Videostreams vorliegen, der predict mode deckt alles ab.
• Streaming-Modus: Nutze die Streaming-Funktion, um einen speichereffizienten Generator von Results Objekten zu erzeugen. Aktiviere dies, indem du stream=True in der Aufrufmethode des Predictors festlegst.
• Batch-Verarbeitung: Verarbeite mehrere Bilder oder Videoframes in einem einzigen Batch, was die gesamte Inferenzzeit weiter reduziert.
• Integrationsfreundlich: Dank der flexiblen API lässt sich das Modell leicht 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 Eingangsquellen für die Inferenz verarbeiten, wie in der folgenden Tabelle dargestellt. Die Quellen umfassen statische Bilder, Videostreams und verschiedene Datenformate. Die Tabelle gibt zudem 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 für Ergebnisse erstellt, anstatt alle Frames in den Arbeitsspeicher zu laden.

Unten findest du Codebeispiele 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

Inference Arguments

model.predict()akzeptiert mehrere Argumente, die zur Inferenzzeit übergeben werden können, um die Standardeinstellungen zu überschreiben:

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 die gültigen Endungen und Beispiel-Predict-Befehle.

Bilder

Die folgende Tabelle enthält gültige Ultralytics Bildformate.

Videos

Die folgende 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 haben die folgenden Attribute:

Results Objekte haben die folgenden Methoden:

Für weitere Details siehe die Results Klassendokumentation.

Boxes

Boxes Objekt kann verwendet werden, um Bounding Boxes 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 Boxes Klassenmethoden und Eigenschaften, einschließlich Name, Typ und Beschreibung:

Für weitere Details siehe die Boxes Klassendokumentation.

Masks

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 Masks Klassenmethoden und Eigenschaften, einschließlich Name, Typ und Beschreibung:

Für weitere Details siehe die Masks Klassendokumentation.

Keypoints

Keypoints-Objekt kann verwendet werden, um Koordinaten zu indizieren, zu manipulieren 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 für die Keypoints Klassenmethoden und Eigenschaften, einschließlich Name, Typ und Beschreibung:

Für weitere Details siehe die Keypoints Klassendokumentation.

Probs

Probs-Objekt kann verwendet werden, um top1 und top5 Indizes und Scores der Klassifizierung zu erhalten.

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:

Für weitere Details siehe die Probs Klassendokumentation.

OBB

OBB-Objekt kann verwendet werden, um orientierte Bounding Boxes zu indizieren, zu manipulieren 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 für die OBB Klassenmethoden und Eigenschaften, einschließlich Name, Typ und Beschreibung:

Für weitere Details siehe die OBB Klassendokumentation.

Ergebnisse plotten

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")

plot()Methodenparameter

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

Thread-sichere Inferenz

Die Sicherstellung der Thread-Sicherheit während 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 gewährleistet sind.

Wenn du YOLO-Modelle in einer Multithread-Anwendung verwendest, ist es wichtig, separate Modellobjekte für jeden Thread zu instanziieren oder Thread-lokalen Speicher zu nutzen, 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 Schritt-für-Schritt-Anleitungen lies bitte unseren YOLO Thread-Safe Inference Guide. Dieser Leitfaden bietet dir alle notwendigen Informationen, um häufige Fehler zu vermeiden und sicherzustellen, dass deine Multithread-Inferenz reibungslos läuft.

Streaming-Quelle for-Schleife

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

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 auf jedem 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 dessen Predict-Modus für Echtzeit-Inferenz?

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

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 YOLO-Inferenzgeschwindigkeit und Speicherauslastung?

Um die Inferenzgeschwindigkeit zu optimieren und Speicher effizient zu verwalten, kannst du den Streaming-Modus verwenden, indem du stream=True in der Call-Methode des Predictors setzt. Der Streaming-Modus erzeugt 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 und Parameter wie Konfidenzschwellen, Bildgröße und das für die Berechnung verwendete Gerät festzulegen. Detaillierte Beschreibungen dieser Argumente findest du im Bereich Inferenzargumente.

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

Nachdem du die Inferenz mit YOLO ausgeführt hast, 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 Dateipfad werden automatisch erstellt (z. B. result.save("path/to/result.jpg")). Für eine vollständige Liste dieser Methoden siehe den Arbeiten mit Ergebnissen.