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 de predicción (predict mode), diseñada para obtener inferencias en tiempo real y de alto rendimiento en 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 la inferencia?#

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

• Versatilidad: Capaz de realizar inferencias en imágenes, vídeos e incluso transmisiones en vivo.
• 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 rápidas.
• Altamente personalizable: Diversos ajustes y parámetros para adaptar el comportamiento de inferencia del modelo según tus requisitos específicos.
• Listo para producción: Despliega modelos como endpoints de API en Ultralytics Platform con escalado automático y monitorización, o ejecuta la inferencia localmente.

Link to this sectionCaracterísticas clave del modo de predicción#

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

• Compatibilidad con múltiples fuentes de datos: Ya sea que tus datos tengan forma de imágenes individuales, una colección de imágenes, archivos de vídeo o transmisiones de vídeo en tiempo real, el modo de predicción te cubre.
• Modo streaming: Utiliza la función de streaming para generar un generador de objetos Results eficiente en 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 varios formatos de datos. La tabla también indica si cada fuente puede utilizarse en modo de streaming con el argumento stream=True ✅. El modo de streaming es beneficioso para procesar vídeos o transmisiones en vivo, ya que crea un generador de resultados en lugar de cargar todos los fotogramas en la memoria.

A continuación, tienes ejemplos de código para utilizar 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 se pueden pasar en el momento de la inferencia para anular los valores predeterminados:

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

De forma predeterminada, predict usa rect=True, lo que permite 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 stride 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 imgsz completo.

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

imgsz entero frente a tupla

• Un entero imgsz=640 se convierte en un objetivo cuadrado (640, 640) después del redondeo de stride.
• 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 predict/exportación

El entrenamiento solo acepta un único entero imgsz (una lista [h, w] se fuerza al valor mayor). Predict y la exportación aceptan un entero o 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 predict.

Link to this sectionImágenes#

La tabla siguiente contiene formatos de imagen Ultralytics válidos.

Link to this sectionVídeos#

La tabla siguiente contiene formatos de vídeo Ultralytics válidos.

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 están siempre disponibles, mientras que los datos de predicción específicos de la tarea se almacenan en los campos siguientes. Los tensores de coordenadas, confianza y probabilidad son torch.float32 a menos que se utilice precisión media, en cuyo caso son torch.float16. Tras result.numpy(), los tensores se convierten en arrays de NumPy con los dtypes de NumPy correspondientes. Las máscaras de instancia son tensores binarios torch.uint8, mientras que las máscaras semánticas utilizan el dtype entero más práctico para los IDs de clase: torch.uint8, torch.int16 o torch.int32, dependiendo del número 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 en 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 resultados de segmentación semántica. A diferencia de Masks, no contiene una máscara binaria por objeto y no ofrece ayudas 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 los índices top1 y top5 y las 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 con 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 objetos Results facilita la visualización de las predicciones superponiendo 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 la salida:

Link to this sectionInferencia segura para subprocesos#

Garantizar la seguridad de los hilos durante la inferencia es crucial 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.

Al usar 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 con modelos YOLO y pasos detallados, consulta nuestra Guía de Inferencia Segura 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 en streaming#

Aquí tienes un script de Python usando OpenCV (cv2) y YOLO para ejecutar inferencia en frames de video. 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 frame del video, 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 diversas fuentes de datos como imágenes, videos y transmisiones en vivo. Diseñado para ofrecer rendimiento y versatilidad, también ofrece modos de procesamiento por lotes y streaming. Para más detalles sobre sus características, consulta el 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, videos, 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. Consulta los ejemplos detallados para diversas 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 manera eficiente, puedes usar 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 frames en la RAM. Para procesar videos largos o grandes conjuntos de datos, el modo streaming es particularmente 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 otros. 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 de 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 faltante en la ruta del nombre del 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.