Link to this sectionPredicción de modelos con Ultralytics YOLO#

Link to this sectionIntroducción#

En el mundo del machine learning y la computer vision, el proceso de interpretar datos visuales se denomina a menudo inferencia o predicción. Ultralytics YOLO26 ofrece una potente función conocida como modo predict, diseñada para una inferencia de alto rendimiento y en tiempo real a través de una amplia gama de fuentes de datos.

Link to this sectionAplicaciones en el mundo real#

Fabricación	Deportes	Seguridad
Detección de piezas de repuesto de vehículos	Detección de jugadores de fútbol	Detección de caídas de personas

Link to this section¿Por qué usar Ultralytics YOLO para inferencia?#

Aquí tienes por qué deberías considerar el modo predict de YOLO26 para tus diversas necesidades de inferencia:

• Versatilidad: Capaz de ejecutar inferencia en imágenes, vídeos e incluso transmisiones en directo.
• Rendimiento: Diseñado para un procesamiento de alta velocidad en tiempo real sin sacrificar la accuracy.
• Facilidad de uso: Interfaces intuitivas de Python y CLI para un despliegue y pruebas rápidos.
• Altamente personalizable: Diversos ajustes y parámetros para adaptar el comportamiento de inferencia del modelo según tus necesidades específicas.
• Listo para producción: Despliega modelos como endpoints de API en Ultralytics Platform con escalado automático y supervisión, o ejecuta la inferencia localmente.

Link to this sectionCaracterísticas clave del modo predict#

El modo predict de YOLO26 está diseñado para ser robusto y versátil, incluyendo:

• Compatibilidad con múltiples fuentes de datos: Tanto si tus datos están en forma de imágenes individuales, una colección de imágenes, archivos de vídeo o transmisiones de vídeo en tiempo real, el modo predict cubre tus necesidades.
• Modo streaming: Utiliza la función de streaming para generar un generador de objetos Results eficiente en cuanto a memoria. Habilítalo configurando stream=True en el método de llamada del predictor.
• Procesamiento por lotes: Procesa múltiples imágenes o fotogramas de vídeo en un solo lote, lo que reduce aún más el tiempo total de inferencia.
• Fácil integración: Integra fácilmente con pipelines de datos existentes y otros componentes de software, gracias a su API flexible.

Los modelos de Ultralytics YOLO devuelven una lista de Python de objetos Results o un generador de objetos Results eficiente en memoria cuando se pasa stream=True al modelo durante la inferencia:

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 sectionFuentes de inferencia#

YOLO26 puede procesar diferentes tipos de fuentes de entrada para la inferencia, como se muestra en la tabla a continuación. Las fuentes incluyen imágenes estáticas, transmisiones de vídeo y diversos formatos de datos. La tabla también indica si cada fuente se puede utilizar en modo streaming con el argumento stream=True ✅. El modo streaming es beneficioso para procesar vídeos o transmisiones en directo, ya que crea un generador de resultados en lugar de cargar todos los fotogramas en la memoria.

A continuación, se muestran ejemplos de código para usar cada tipo de fuente:

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 sectionArgumentos de inferencia#

model.predict() acepta múltiples argumentos que pueden pasarse durante la inferencia para anular los valores predeterminados:

Link to this sectionForma fija frente a rectángulo mínimo (rect)#

De forma predeterminada, predict utiliza rect=True, lo que habilita el relleno de rectángulo mínimo cuando es posible. La imagen se escala para ajustarse dentro de imgsz y se rellena solo hasta el múltiplo de paso más cercano, por lo que el tensor final puede ser más pequeño que imgsz. El relleno de rectángulo mínimo solo se utiliza cuando todas las imágenes del lote tienen la misma forma y el backend lo admite (PyTorch .pt, o ONNX / Triton dinámico). De lo contrario, las imágenes se rellenan hasta el objetivo completo de imgsz.

Utiliza rect=False para rellenar siempre hasta el objetivo completo de imgsz. Esto se recomienda cuando necesites un tamaño de entrada fijo para que coincida con modelos exportados (ONNX, TensorRT, etc.).

imgsz como entero frente a tupla

• Un entero imgsz=640 se convierte en un objetivo cuadrado (640, 640) tras el redondeo del paso.
• Una tupla imgsz=(384, 672) establece un objetivo rectangular. Con rect=True y auto=True, el tensor real puede ser más pequeño que este objetivo.

Entrenamiento frente a predicción/exportación

El entrenamiento acepta solo un único entero imgsz (una lista [h, w] se fuerza al valor más grande). La predicción y la exportación aceptan tanto un entero como una tupla (height, width).

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)

Argumentos de inferencia:

Argumentos de visualización:

Link to this sectionFormatos de imagen y vídeo#

YOLO26 admite varios formatos de imagen y vídeo, tal como se especifica en ultralytics/data/utils.py. Consulta las tablas a continuación para ver los sufijos válidos y ejemplos de comandos de predicción.

Link to this sectionImágenes#

La siguiente tabla contiene los formatos de imagen válidos de Ultralytics.

Link to this sectionVídeos#

La siguiente tabla contiene los formatos de vídeo válidos de Ultralytics.

Link to this sectionTrabajar con resultados#

Todas las llamadas predict() de Ultralytics devolverán una lista de objetos Results:

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

Los objetos Results tienen los siguientes atributos:

Link to this sectionResultados por tarea#

Cada predicción devuelve un objeto Results por imagen o fotograma. Los campos comunes anteriores siempre están disponibles, mientras que los datos de predicción específicos de la tarea se almacenan en los campos a continuación. Los tensores de coordenadas, confianza y probabilidad son torch.float32 a menos que se utilice media precisión, en cuyo caso son torch.float16. Después de result.numpy(), los tensores se convierten en arrays de NumPy con tipos de datos de NumPy coincidentes. Las máscaras de instancia son tensores binarios torch.uint8, mientras que las máscaras semánticas utilizan el tipo de datos entero práctico más pequeño para los ID de clase: torch.uint8, torch.int16 o torch.int32, dependiendo del recuento de clases.

Los objetos Results tienen los siguientes métodos:

Para más detalles, consulta la documentación de la clase Results.

Link to this sectionCajas (Boxes)#

El objeto Boxes puede utilizarse para indexar, manipular y convertir cajas delimitadoras a diferentes formatos.

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

Aquí tienes una tabla con los métodos y propiedades de la clase Boxes, incluyendo su nombre, tipo y descripción:

Para más detalles, consulta la documentación de la clase Boxes.

Link to this sectionMáscaras#

El objeto Masks puede utilizarse para indexar, manipular y convertir máscaras a segmentos.

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

Aquí tienes una tabla con los métodos y propiedades de la clase Masks, incluyendo su nombre, tipo y descripción:

Para más detalles, consulta la documentación de la clase Masks.

Link to this sectionSemanticMask#

SemanticMask almacena un mapa de clase denso para los resultados de la segmentación semántica. A diferencia de Masks, no contiene una máscara binaria por objeto y no proporciona funciones auxiliares para polígonos.

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 sectionPuntos clave#

El objeto Keypoints puede utilizarse para indexar, manipular y normalizar coordenadas.

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

Aquí tienes una tabla con los métodos y propiedades de la clase Keypoints, incluyendo su nombre, tipo y descripción:

Para más detalles, consulta la documentación de la clase Keypoints.

Link to this sectionProbs#

El objeto Probs se puede usar para indexar, obtener índices top1 y top5 y puntuaciones de clasificación.

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

Aquí tienes una tabla que resume los métodos y propiedades de la clase Probs:

Para más detalles, consulta la documentación de la clase Probs.

Link to this sectionOBB#

El objeto OBB se puede usar para indexar, manipular y convertir cajas delimitadoras orientadas a diferentes formatos.

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

Aquí tienes una tabla de los métodos y propiedades de la clase OBB, incluyendo su nombre, tipo y descripción:

Para más detalles, consulta la documentación de la clase OBB.

Link to this sectionVisualización de resultados#

El método plot() en los objetos Results facilita la visualización de las predicciones superponiendo los objetos detectados (como cajas delimitadoras, máscaras, puntos clave y probabilidades) sobre la imagen original. Este método devuelve la imagen anotada como un array de NumPy, lo que permite visualizarla o guardarla fácilmente.

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 sectionParámetros del método plot()#

El método plot() admite varios argumentos para personalizar el resultado:

Link to this sectionInferencia segura para subprocesos#

Garantizar la seguridad de los hilos durante la inferencia es fundamental cuando ejecutas múltiples modelos YOLO en paralelo a través de diferentes hilos. La inferencia segura para hilos garantiza que las predicciones de cada hilo estén aisladas y no interfieran entre sí, evitando condiciones de carrera y asegurando resultados consistentes y fiables.

Cuando utilices modelos YOLO en una aplicación multihilo, es importante instanciar objetos de modelo separados para cada hilo o emplear almacenamiento local de hilos para evitar conflictos:

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()

Para una visión detallada de la inferencia segura para hilos con modelos YOLO e instrucciones paso a paso, consulta nuestra Guía de Inferencia Segura para Hilos de YOLO. Esta guía te proporcionará toda la información necesaria para evitar errores comunes y asegurar que tu inferencia multihilo se ejecute sin problemas.

Link to this sectionBucle for de fuente de streaming#

Aquí tienes un script de Python que utiliza OpenCV (cv2) y YOLO para ejecutar la inferencia en fotogramas de vídeo. Este script asume que ya has instalado los paquetes necesarios (opencv-python y 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()

Este script ejecutará predicciones en cada fotograma del vídeo, visualizará los resultados y los mostrará en una ventana. Puedes salir del bucle presionando 'q'.

Link to this sectionFAQ#

Link to this section¿Qué es Ultralytics YOLO y su modo predict para inferencia en tiempo real?#

Ultralytics YOLO es un modelo de última generación para detección de objetos, segmentación de instancias, segmentación semántica y clasificación en tiempo real. Su modo predict permite a los usuarios realizar inferencia de alta velocidad en varias fuentes de datos, como imágenes, vídeos y transmisiones en directo. Diseñado para ofrecer rendimiento y versatilidad, también ofrece modos de procesamiento por lotes y streaming. Para más detalles sobre sus características, echa un vistazo al modo predict de Ultralytics YOLO.

Link to this section¿Cómo puedo ejecutar la inferencia usando Ultralytics YOLO en diferentes fuentes de datos?#

Ultralytics YOLO puede procesar una amplia gama de fuentes de datos, incluyendo imágenes individuales, vídeos, directorios, URLs y streams. Puedes especificar la fuente de datos en la llamada model.predict(). Por ejemplo, usa 'image.jpg' para una imagen local o 'https://ultralytics.com/images/bus.jpg' para una URL. Echa un vistazo a los ejemplos detallados para varias fuentes de inferencia en la documentación.

Link to this section¿Cómo optimizo la velocidad de inferencia y el uso de memoria de YOLO?#

Para optimizar la velocidad de inferencia y gestionar la memoria de forma eficiente, puedes utilizar el modo streaming estableciendo stream=True en el método de llamada del predictor. El modo streaming genera un generador de objetos Results eficiente en memoria en lugar de cargar todos los fotogramas en la memoria. Para procesar vídeos largos o grandes conjuntos de datos, el modo streaming es especialmente útil. Aprende más sobre el modo streaming.

Link to this section¿Qué argumentos de inferencia admite Ultralytics YOLO?#

El método model.predict() en YOLO admite varios argumentos como conf, iou, imgsz, device y más. Estos argumentos te permiten personalizar el proceso de inferencia, estableciendo parámetros como umbrales de confianza, tamaño de imagen y el dispositivo utilizado para el cálculo. Encontrarás descripciones detalladas de estos argumentos en la sección argumentos de inferencia.

Link to this section¿Cómo puedo visualizar y guardar los resultados de las predicciones de YOLO?#

Después de ejecutar la inferencia con YOLO, los objetos Results contienen métodos para mostrar y guardar imágenes anotadas. Puedes usar métodos como result.show() y result.save(filename="result.jpg") para visualizar y guardar los resultados. Cualquier directorio padre que falte en la ruta del nombre de archivo se crea automáticamente (p. ej., result.save("path/to/result.jpg")). Para obtener una lista completa de estos métodos, consulta la sección trabajar con resultados.