Inferencia#

Ultralytics Platform proporciona inferencia desde el navegador para probar modelos entrenados y endpoints específicos para el acceso programático.

Pestaña Predict#

Todos los modelos con pesos incluyen una pestaña Predict para la inferencia desde el navegador:

1. Ve a tu modelo
2. Haz clic en la pestaña Predict
3. Sube una imagen, usa un ejemplo o abre tu webcam
4. Revisa la superposición específica de la tarea, el resumen de predicciones, los tiempos y la respuesta sin procesar

Los modelos sin pesos muestran un estado vacío; primero entrena el modelo o sube los pesos.

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 subirla:

• Formatos compatibles: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP
• Tamaño máximo: 10 MB
• Inferencia automática: los resultados aparecen automáticamente después de subir la imagen

Imágenes de ejemplo#

El panel de predicción muestra hasta dos imágenes de ejemplo del conjunto de datos vinculado a tu modelo y da preferencia a la división val, seguida de test y después train. Si no hay ningún conjunto de datos vinculado, se usan ejemplos predeterminados:

Para los modelos OBB, se muestran en su lugar imágenes aéreas de barcos y de un aeropuerto.

Webcam#

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

1. Concede permiso para usar la cámara cuando se te solicite
2. Haz clic en la vista previa del vídeo para capturar un fotograma
3. La inferencia se ejecuta automáticamente en el fotograma capturado
4. Vuelve a hacer clic para reiniciar la webcam

Ver resultados#

Los resultados de la inferencia muestran la salida adecuada para la tarea del modelo: cuadros, máscaras, puntos clave, cuadros orientados, puntuaciones de clasificación, cobertura semántica o un mapa de profundidad. Los resultados de objetos usan los colores de clase del conjunto de datos cuando están disponibles. El panel también muestra los tiempos de preprocesamiento, inferencia, posprocesamiento y red.

El panel de resultados muestra:

Cuando hay resultados, aparecen dos controles sobre la vista previa: haz clic en la imagen para ampliarla manteniendo las superposiciones y usa el botón de descarga para guardar un JPEG anotado del resultado actual.

Parámetros de inferencia#

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

Umbral de confianza#

Filtra las predicciones por confianza:

• Más alto (0.5+): menos predicciones y mayor certeza
• 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 la supresión no máxima:

• Más alto (0.7+): permite más cuadros superpuestos
• Más bajo (0.3-0.5): suprime las detecciones superpuestas de forma más agresiva
• Predeterminado (0.7): comportamiento equilibrado de NMS para la mayoría de los casos de uso

Predict del despliegue#

Cada endpoint específico en ejecución incluye una pestaña Predict directamente en su tarjeta de despliegue. Usa el propio servicio de inferencia del despliegue en lugar del servicio de predicción compartido, lo que te permite probar el endpoint desplegado desde el navegador.

En un punto de conexión de pago con la supervisión habilitada, las imágenes procesadas también contribuyen a la pestaña de supervisión. Los ejemplos muestreados y los gráficos agregados de la pestaña de supervisión son datos temporales y ligeros almacenados en la memoria; detener, reiniciar, volver a implementar, cambiar el tamaño o reemplazar el modelo puede borrar los datos de la pestaña de supervisión. Guarda los ejemplos en un conjunto de datos para conservar los ejemplos.

API del endpoint específico#

La tarjeta API Docs de la pestaña Predict del modelo contiene solicitudes de ejemplo en Python, JavaScript y cURL, rellenadas previamente con la confianza, IoU y el tamaño de imagen establecidos actualmente en los controles deslizantes. La URL y la clave son marcadores de posición hasta que despliegues el modelo; un botón Deploy situado junto a las pestañas de código salta a la pestaña Deploy del modelo. Después del despliegue, la pestaña Code de la tarjeta de despliegue rellena la URL de ese endpoint y, para los propietarios del espacio de trabajo, su clave de API vinculada, lista para copiarla y ejecutarla.

Autenticación#

Incluye tu clave de API en las solicitudes:

Authorization: Bearer YOUR_API_KEY

Endpoint#

Los endpoints específicos reciben solicitudes en su propia URL:

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

La inferencia compartida usa la API de Platform con la ruta completa del modelo:

POST https://platform.ultralytics.com/api/models/{owner}/{project}/{model}/predict

Ambos aceptan el mismo cuerpo multipart/form-data y devuelven la misma estructura de respuesta. Con el SDK de Python, usa client.models.predict(owner, project, model, body=...) para la inferencia compartida o client.deployments.predict(owner, deployment, body=...) para un despliegue específico:

from ultralytics_platform import Platform

client = Platform()  # reads ULTRALYTICS_API_KEY
with open("image.jpg", "rb") as f:
    results = client.models.predict("acme-vision", "inspection", "v3", body={"file": f, "conf": 0.25})

Solicitud#

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 la solicitud#

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,
        "functionTimeAlive": 1284.51,
        "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 de 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 uso#

La API de modelos compartida está limitada a 20 solicitudes/minuto por cada clave de API, usuario autenticado o IP anónima. Cuando se aplica la limitación, la API devuelve 429 con una cabecera Retry-After. Consulta la referencia completa sobre los límites de uso para ver todas las categorías de endpoints.

Gestión de errores#

Respuestas de error habituales:

Preguntas frecuentes#