Link to this sectionInference#

Ultralytics Platform bietet eine Inference-API zum Testen trainierter Modelle. Nutze den browserbasierten Predict-Tab für eine schnelle Validierung oder die REST API für den programmatischen Zugriff.

Link to this sectionVorhersage-Tab#

Jedes Modell enthält einen Predict-Tab für browserbasierte Inference:

1. Navigiere zu deinem Modell
2. Klicke auf den Predict-Tab
3. Lade ein Bild hoch, verwende ein Beispiel oder öffne deine Webcam
4. Sieh dir die Vorhersagen sofort mit BBox-Overlays an

Link to this sectionEingabemethoden#

Das Predict-Panel unterstützt mehrere Eingabemethoden:

graph LR
    A[Upload Image] --> D[Auto-Inference]
    B[Example Image] --> D
    C[Webcam Capture] --> D
    D --> E[Results + Overlays]

    style D fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Link to this sectionBild hochladen#

Per Drag-and-Drop oder Klick hochladen:

• Unterstützte Formate: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP, DNG, MPO
• Max. Größe: 10MB
• Auto-Inference: Ergebnisse erscheinen automatisch nach dem Hochladen

Link to this sectionBeispielbilder#

Das Predict-Panel zeigt Beispielbilder aus dem verknüpften Dataset deines Modells an. Wenn kein Dataset verknüpft ist, werden Standardbeispiele verwendet:

Für OBB-Modelle werden stattdessen Luftaufnahmen von Booten und Flughäfen angezeigt.

Link to this sectionWebcam#

Klicke auf die Webcam-Karte, um einen Live-Kamera-Feed zu starten:

1. Erteile die Kameraerlaubnis, wenn du dazu aufgefordert wirst
2. Klicke auf die Videovorschau, um einen Frame aufzunehmen
3. Die Inference läuft automatisch auf dem aufgenommenen Frame
4. Klicke erneut, um die Webcam neu zu starten

Link to this sectionErgebnisse anzeigen#

Inference-Ergebnisse werden angezeigt:

• Bounding Boxes mit Klassennamen als SVG-Overlays
• Konfidenz-Scores für jede Detektion
• Klassenfarben aus der Farbpalette deines Datasets (oder der Ultralytics Standardpalette)
• Geschwindigkeitsaufschlüsselung: Preprocess, Inference, Postprocess und Netzwerkzeit

Das Ergebnisfeld zeigt:

Link to this sectionInference-Parameter#

Passe das Detektionsverhalten mit Parametern im ausklappbaren Bereich Parameters an:

Link to this sectionKonfidenz-Schwellenwert#

Filtere Vorhersagen nach Konfidenz:

• Höher (0.5+): Weniger, aber sicherere Vorhersagen
• Niedriger (0.1-0.25): Mehr Vorhersagen, etwas Rauschen
• Standard (0.25): Ausgewogen für die meisten Anwendungsfälle

Link to this sectionIoU-Schwellenwert#

Steuere Non-Maximum Suppression:

• Höher (0.7+): Erlaubt mehr überlappende Boxen
• Niedriger (0.3-0.5): Führt nahe beieinander liegende Detektionen aggressiver zusammen
• Standard (0.7): Ausgewogenes NMS-Verhalten für die meisten Anwendungsfälle

Link to this sectionDeployment-Predict#

Jeder laufende dedizierte Endpunkt enthält einen Predict-Tab direkt auf seiner Deployment-Karte. Dies nutzt den eigenen Inference-Service des Deployments anstelle des geteilten Predict-Services, sodass du deinen bereitgestellten Endpunkt aus dem Browser heraus testen kannst.

Link to this sectionREST API#

Greife programmatisch auf die Inference zu:

Link to this sectionAuthentifizierung#

Füge deinen API-Schlüssel in Anfragen ein:

Authorization: Bearer YOUR_API_KEY

Link to this sectionEndpunkt#

POST https://platform.ultralytics.com/api/models/{modelId}/predict

Link to this sectionAnfrage#

import requests

url = "https://platform.ultralytics.com/api/models/MODEL_ID/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
files = {"file": open("image.jpg", "rb")}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

response = requests.post(url, headers=headers, files=files, data=data)
print(response.json())

Link to this sectionAnfrage-Parameter#

Link to this sectionAntwort#

{
    "images": [
        {
            "shape": [1080, 1920],
            "results": [
                {
                    "class": 0,
                    "name": "person",
                    "confidence": 0.92,
                    "box": { "x1": 100, "y1": 50, "x2": 300, "y2": 400 }
                },
                {
                    "class": 2,
                    "name": "car",
                    "confidence": 0.87,
                    "box": { "x1": 400, "y1": 200, "x2": 600, "y2": 350 }
                }
            ],
            "speed": {
                "preprocess": 1.2,
                "inference": 12.5,
                "postprocess": 2.3
            }
        }
    ],
    "metadata": {
        "imageCount": 1,
        "functionTimeCall": 0.018,
        "model": "model.pt",
        "version": {
            "ultralytics": "8.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Link to this sectionAntwortfelder#

Link to this sectionAufgabenspezifische Antworten#

Das Antwortformat variiert je nach Aufgabe:

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400}
}

Link to this sectionAbrechnung#

Geteilte Inferenz (der Predict-Tab und der /api/models/{id}/predict Endpunkt) ist bei allen Tarifen ohne zusätzliche Kosten enthalten. Es gibt keine Kosten pro Anfrage für geteilte Inferenz.

Für Produktions-Workloads, die einen höheren Durchsatz erfordern, stelle einen dedizierten Endpunkt bereit.

Link to this sectionRatenbegrenzungen#

Geteilte Inferenz ist auf 20 Anfragen/Min pro API-Key begrenzt. Bei einer Drosselung gibt die API 429 mit einem Retry-After Header zurück. Siehe die vollständige Rate-Limit-Referenz für alle Endpunkt-Kategorien.

Link to this sectionFehlerbehandlung#

Häufige Fehlerantworten:

Link to this sectionFAQ#

Link to this sectionKann ich Inferenz auf Videos ausführen?#

Beide Inferenzmethoden akzeptieren Videodateien:

• Dedizierte Endpunkte akzeptieren Videodateien direkt. Unterstützte Formate (bis 100 MB): ASF, AVI, GIF, M4V, MKV, MOV, MP4, MPEG, MPG, TS, WEBM, WMV. Jeder Frame wird einzeln verarbeitet und die Ergebnisse werden pro Frame zurückgegeben. Siehe dedizierte Endpunkte für Details.
• Geteilte Inferenz (/api/models/{id}/predict) verwendet denselben Predict-Dienst und akzeptiert dieselben Videoformate. Der Predict-Tab im Browser der UI lädt jedoch nur Bilder hoch – nutze die REST API direkt oder einen dedizierten Endpunkt für Video-Workflows. Der geteilte Endpunkt ist zudem auf 20 Anfragen/Min begrenzt, daher sind dedizierte Endpunkte die bessere Wahl für intensive Video-Workloads.

Link to this sectionWie erhalte ich das annotierte Bild?#

Die API gibt JSON-Vorhersagen zurück. Zur Visualisierung:

1. Verwende die Vorhersagen, um Boxen lokal zu zeichnen
2. Verwende die Ultralytics plot() Methode:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("image.jpg")
results[0].save("annotated.jpg")

Siehe die Predict Modus-Dokumentation für die vollständige Ergebnis-API und Visualisierungsoptionen.

Link to this sectionWas ist die maximale Bildgröße?#

• Upload-Limit: 10 MB
• Empfohlen: < 5 MB für schnelle Inferenz
• Automatische Skalierung: Bilder werden auf den ausgewählten Image Size Parameter skaliert

Große Bilder werden automatisch unter Beibehaltung des Seitenverhältnisses skaliert.

Link to this sectionKann ich Batch-Inferenz ausführen?#

Die aktuelle API verarbeitet ein Bild pro Anfrage. Für Batches:

1. Sende gleichzeitige Anfragen
2. Verwende einen dedizierten Endpunkt für höheren Durchsatz
3. Ziehe lokale Inferenz für große Batches in Betracht

import concurrent.futures

import requests

url = "https://predict-abc123.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
images = ["img1.jpg", "img2.jpg", "img3.jpg"]

def predict(image_path):
    with open(image_path, "rb") as f:
        return requests.post(url, headers=headers, files={"file": f}).json()

with concurrent.futures.ThreadPoolExecutor(max_workers=4) as executor:
    results = list(executor.map(predict, images))