Link to this sectionModellvorhersage mit Ultralytics YOLO#

Link to this sectionEinführung#

In der Welt des Machine Learning und der Computer Vision wird der Prozess, visuelle Daten zu interpretieren, oft als Inferenz oder Vorhersage bezeichnet. Ultralytics YOLO26 bietet eine leistungsstarke Funktion namens Predict-Modus, die speziell für hochperformante Echtzeit-Inferenz bei einer Vielzahl von Datenquellen entwickelt wurde.

Link to this sectionAnwendungen in der Praxis#

Fertigung	Sport	Sicherheit
Erkennung von Fahrzeugersatzteilen	Erkennung von Fußballspielern	Erkennung von Stürzen

Link to this sectionWarum Ultralytics YOLO für die Inferenz verwenden?#

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

• Vielseitigkeit: Fähigkeit zur Durchführung von Inferenz auf Bildern, Videos und sogar Live-Streams.
• Leistung: Entwickelt für Echtzeit-Verarbeitung mit hoher Geschwindigkeit, ohne die Genauigkeit zu beeinträchtigen.
• 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 Auto-Skalierung und Monitoring bereit oder führe Inferenz lokal aus.

Link to this sectionHauptmerkmale des Predict-Modus#

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

• Kompatibilität mit mehreren Datenquellen: Egal ob deine Daten in Form von einzelnen Bildern, einer Bildersammlung, Videodateien oder Echtzeit-Videostreams vorliegen, der Predict-Modus unterstützt sie alle.
• 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 Prädiktors festlegst.
• Batch-Verarbeitung: Verarbeite mehrere Bilder oder Videobilder in einem einzigen Batch, was die gesamte Inferenzzeit weiter reduziert.
• Integrationsfreundlich: Dank seiner 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 während der Inferenz stream=True 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

Link to this sectionInferenz-Quellen#

YOLO26 kann verschiedene Arten von Eingangsquellen für die Inferenz verarbeiten, wie in der Tabelle unten gezeigt. Zu den Quellen gehören statische Bilder, Videostreams und verschiedene Datenformate. Die Tabelle zeigt 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 Ergebnisgenerator erstellt, anstatt alle Frames in den Arbeitsspeicher zu laden.

Nachfolgend findest du Codebeispiele für die Verwendung der einzelnen Quellentypen:

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

Link to this sectionInferenz-Argumente#

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

Link to this sectionFeste Größe vs. minimales Rechteck (rect)#

Standardmäßig verwendet predict rect=True, was ein Minimal-Rechteck-Padding ermöglicht, sofern dies möglich ist. 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 dynamisch 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 exportierte Modelle (ONNX, TensorRT etc.) zu verwenden.

Ganzzahl vs. Tupel imgsz

• Eine Ganzzahl 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. Predict/Export

Das Training akzeptiert nur eine einzelne Ganzzahl imgsz (eine [h, w] Liste wird auf den größten Wert gezwungen). Predict und Export akzeptieren entweder eine Ganzzahl oder ein (height, width) Tupel.

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:

Visualisierungs-Argumente:

Link to this sectionBild- und Videoformate#

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

Link to this sectionBilder#

Die unten stehende Tabelle enthält gültige Ultralytics Bildformate.

Link to this sectionVideos#

Die unten stehende Tabelle enthält gültige Ultralytics Videoformate.

Link to this sectionArbeiten 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:

Link to this sectionErgebnisse nach Aufgabe#

Jede Vorhersage gibt ein Results Objekt pro Bild oder Frame zurück. Die oben genannten allgemeinen Felder sind immer verfügbar, während die aufgabenspezifischen Vorhersagedaten in den folgenden Feldern gespeichert sind. Koordinaten-, Konfidenz- und Wahrscheinlichkeitstensoren sind torch.float32, es sei denn, es wird mit halber Genauigkeit gearbeitet, dann torch.float16. Nach result.numpy() werden Tensoren zu NumPy Arrays mit passenden NumPy Datentypen. Instanzmasken sind torch.uint8 Binärtensoren, während semantische Masken den kleinstmöglichen praktischen Integer-Datentyp für Klassen-IDs verwenden: torch.uint8, torch.int16 oder torch.int32, abhängig von der Anzahl der Klassen.

Results Objekte verfügen über die folgenden Methoden:

Weitere Details findest du in der Results Klassendokumentation.

Link to this sectionBboxen#

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 ihres Namens, Typs und ihrer Beschreibung:

Weitere Details findest du in der Boxes Klassendokumentation.

Link to this sectionMasken#

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 ihres Namens, Typs und ihrer Beschreibung:

Weitere Details findest du in der Masks Klassendokumentation.

Link to this sectionSemanticMask#

SemanticMask speichert eine dichte Klassen-Map für semantische Segmentierungsergebnisse. Im Gegensatz zu Masks enthält sie keine binäre Maske pro Objekt und bietet keine Polygon-Hilfsprogramme.

from ultralytics import YOLO

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

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

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

Link to this sectionKeypoints#

Das 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 Methoden und Eigenschaften der Keypoints Klasse, einschließlich ihres Namens, Typs und ihrer Beschreibung:

Weitere Details findest du in der Keypoints Klassendokumentation.

Link to this sectionProbs#

Das Probs Objekt kann verwendet werden, um auf Indizes zuzugreifen sowie top1 und top5 Indizes und Scores der Klassifizierung abzurufen.

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.

Link to this sectionOBB#

Das 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 Methoden und Eigenschaften der OBB Klasse, einschließlich Name, Typ und Beschreibung:

Weitere Details findest du in der OBB Klassendokumentation.

Link to this sectionErgebnisse visualisieren#

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")

Link to this sectionParameter der plot() Methode#

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

Link to this sectionThread-sichere Inferenz#

Die Gewährleistung 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 sichergestellt sind.

Bei der Verwendung von YOLO Modellen in einer Multithread-Anwendung ist es wichtig, für jeden Thread separate Modellobjekte 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 die 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.

Link to this sectionStreaming-Quelle for-Schleife#

Hier ist ein Python Skript mit OpenCV (cv2) und YOLO zur Durchführung der Inferenz auf Videoframes. 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 auf jedem Frame des Videos durch, visualisiert die Ergebnisse und zeigt sie in einem Fenster an. Die Schleife kann durch Drücken von 'q' beendet werden.

Link to this sectionFAQ#

Link to this sectionWas ist Ultralytics YOLO und dessen Predict-Modus für Echtzeit-Inferenz?#

Ultralytics YOLO ist ein hochmodernes Modell für Echtzeit-Objekterkennung, Instanzsegmentierung, semantische Segmentierung und Klassifizierung. Sein Predict-Modus ermöglicht Benutzern eine Hochgeschwindigkeits-Inferenz auf verschiedenen Datenquellen wie Bildern, Videos und Live-Streams. Es wurde für Leistung und Vielseitigkeit entwickelt und bietet auch Batch-Verarbeitung sowie Streaming-Modi. Weitere Details zu den Funktionen findest du im Ultralytics YOLO Predict-Modus.

Link to this sectionWie kann ich die Inferenz mit Ultralytics YOLO auf verschiedenen Datenquellen ausführen?#

Ultralytics YOLO kann eine Vielzahl von Datenquellen verarbeiten, darunter einzelne 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. Schau dir die detaillierten Beispiele für verschiedene Inferenz-Quellen in der Dokumentation an.

Link to this sectionWie optimiere ich YOLO Inferenzgeschwindigkeit und Speicherauslastung?#

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 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.

Link to this sectionWelche Inferenz-Argumente 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 Abschnitt Inferenz-Argumente.

Link to this sectionWie 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 Dateipfad werden automatisch erstellt (z. B. result.save("path/to/result.jpg")). Eine umfassende Liste dieser Methoden findest du im Abschnitt Arbeiten mit Ergebnissen.