Inferencia#

Ultralytics Platform proporciona inferencia basada en navegador para probar modelos entrenados y endpoints dedicados para acceso mediante programación.

Pestaña Predict#

Cada modelo incluye una pestaña Predict para realizar inferencias desde el navegador:

1. Navega hasta tu modelo
2. Haz clic en la pestaña Predict
3. Sube una imagen, utiliza un ejemplo o abre tu webcam
4. Revisa la superposición específica de la tarea, el resumen de predicción, el tiempo y la respuesta sin procesar

Métodos de entrada#

El panel de predicción admite varios métodos de entrada:

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Subir imagen#

Arrastra y suelta o haz clic para subir:

• Formatos compatibles: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP, DNG, MPO
• Tamaño máximo: 10MB
• Auto-inferencia: Los resultados aparecen automáticamente tras la subida

Imágenes de ejemplo#

El panel de predicción muestra imágenes de ejemplo del conjunto de datos vinculado a tu modelo. Si no hay ningún conjunto de datos vinculado, se utilizan ejemplos predeterminados:

Para modelos OBB, se muestran imágenes aéreas de barcos y aeropuertos en su lugar.

Cámara web#

Haz clic en la tarjeta de la webcam para iniciar una transmisión de cámara en directo:

1. Concede permiso de acceso a la cámara cuando se te solicite
2. Haz clic en la previsualización de vídeo para capturar un fotograma
3. La inferencia se ejecuta automáticamente en el fotograma capturado
4. Haz clic de nuevo para reiniciar la webcam

Ver resultados#

Los resultados de la inferencia muestran la salida adecuada para la tarea del modelo: cajas, máscaras, puntos clave, cajas orientadas, puntuaciones de clasificación, cobertura semántica o un mapa de profundidad. Los resultados de objetos utilizan los colores de las clases del conjunto de datos cuando están disponibles. El panel también muestra el tiempo de preprocesamiento, inferencia, posprocesamiento y red.

El panel de resultados muestra:

Parámetros de inferencia#

Ajusta el comportamiento de inferencia con los tres controles deslizantes debajo de la imagen:

Umbral de confianza#

Filtra las predicciones por confianza:

• Más alto (0.5+): Menos predicciones, pero más seguras
• Más bajo (0.1-0.25): Más predicciones, con algo de ruido
• Predeterminado (0.25): Equilibrado para la mayoría de los casos de uso

Umbral de IoU#

Controla el Non-Maximum Suppression:

• Más alto (0.7+): Permite más cuadros superpuestos
• Menor (0,3-0,5): Suprime las detecciones superpuestas de forma más agresiva
• Predeterminado (0.7): Comportamiento de NMS equilibrado para la mayoría de casos de uso

Inferencia de despliegue#

Cada endpoint dedicado en ejecución incluye una pestaña Predict directamente en su tarjeta de despliegue. Esto utiliza el propio servicio de inferencia del despliegue en lugar del servicio de predicción compartido, permitiéndote probar tu endpoint desplegado desde el navegador.

API de endpoint dedicado#

La tarjeta API Docs en la pestaña Predict del modelo contiene solicitudes de ejemplo en Python, JavaScript y cURL. Los ejemplos utilizan marcadores de posición hasta que despliegas el modelo. Después del despliegue, la pestaña Code de la tarjeta de despliegue rellena su URL de endpoint y la clave de API disponible para tu espacio de trabajo.

Autenticación#

Incluye tu clave de API en las peticiones:

Authorization: Bearer YOUR_API_KEY

Endpoint#

POST https://YOUR_DEPLOYMENT_URL.run.app/predict

Petición#

import requests

url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as image_file:
    response = requests.post(url, headers=headers, files={"file": image_file}, data=data)
print(response.json())

Parámetros de petición#

Respuesta#

{
    "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,
        "task": "detect",
        "version": {
            "ultralytics": "8.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Campos de respuesta#

Respuestas específicas para cada tarea#

El formato de respuesta varía según la tarea:

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

Límites de tasa#

La API de modelos compartida está limitada a 20 solicitudes/minuto para cada clave de API, llamante conectado o IP anónima. Cuando se limita, la API devuelve 429 con una cabecera Retry-After. Consulta la referencia de límite de velocidad completa para todas las categorías de endpoints.

Gestión de errores#

Respuestas de error comunes:

FAQ#

¿Puedo ejecutar la inferencia en vídeo?#

Ambos métodos de inferencia aceptan archivos de vídeo:

• Los dedicated endpoints aceptan archivos de vídeo directamente. Formatos admitidos (hasta 100 MB): ASF, AVI, GIF, M4V, MKV, MOV, MP4, MPEG, MPG, TS, WEBM, WMV. Cada fotograma se procesa individualmente y los resultados se devuelven por fotograma. Consulta dedicated endpoints para más detalles.
• Inferencia compartida (/api/models/{id}/predict) utiliza el mismo servicio de predicción y acepta los mismos formatos de vídeo. La pestaña Predict del navegador solo selecciona imágenes, así que utiliza la API o un endpoint dedicado para vídeo.

¿Cómo obtengo la imagen anotada?#

La API devuelve predicciones en JSON. Para visualizar:

1. Utiliza las predicciones para dibujar BBox localmente
2. Utiliza el método plot() de Ultralytics:

from ultralytics import YOLO

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

Consulta la documentación del modo Predict para obtener la API de resultados completa y las opciones de visualización.

¿Cuál es el tamaño máximo de imagen?#

• Límite de la pestaña Predict: 10 MB
• Límite de la API de endpoint dedicado: 100 MB
• Redimensionamiento automático en la pestaña Predict: Las imágenes se redimensionan al Image Size seleccionado antes de subirlas

Las imágenes grandes se redimensionan automáticamente manteniendo la relación de aspecto.

¿Puedo ejecutar la inferencia por lotes?#

La API actual procesa una imagen por solicitud. Para lotes:

1. Envía solicitudes separadas para cada imagen
2. Distribuye las solicitudes entre endpoints dedicados cuando sea apropiado
3. Utiliza la inferencia local para lotes grandes

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))