Inferencia#

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

Pestaña Predict#

Cada modelo con pesos incluye una pestaña Predict para la inferencia basada en 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

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

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
• Tamaño máx.: 10 MB
• Auto-inferencia: Los resultados aparecen automáticamente tras la subida

Imágenes de ejemplo#

El panel de predicción muestra hasta dos imágenes de ejemplo del conjunto de datos vinculado de tu modelo, prefiriendo la división val, luego 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.

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:

Hay dos controles sobre la vista previa una vez que los resultados están listos: haz clic en la imagen para ampliarla con las superposiciones intactas y usa el botón de descarga para guardar un JPEG anotado del resultado actual.

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 dedicated endpoint 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, lo que te permite probar tu endpoint desplegado desde el navegador.

API de endpoint dedicado#

La tarjeta de API Docs en la pestaña del modelo Predict contiene solicitudes de ejemplo en Python, JavaScript y cURL, precargadas con la confianza, el valor de IoU y el tamaño de imagen configurados actualmente en los controles deslizantes. La URL y la clave son marcadores de posición hasta que despliegues el modelo; un botón Deploy junto a las pestañas de código salta a la pestaña Deploy del modelo. Tras el despliegue, la pestaña Code de la tarjeta de despliegue completa la URL de ese extremo y, para los propietarios del espacio de trabajo, su clave de API asociada, lista para copiar y ejecutar.

Autenticación#

Incluye tu clave de API en las peticiones:

Authorization: Bearer YOUR_API_KEY

Endpoint#

Los extremos dedicados aceptan solicitudes en su propia URL:

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

La inferencia compartida utiliza la Platform API 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 forma de respuesta. Con el Python SDK, usa client.models.predict(owner, project, model, body=...) para la inferencia compartida o client.deployments.predict(owner, deployment, body=...) para un despliegue dedicado:

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})

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,
        "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 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 peticiones/minuto para cada clave de API, usuario autenticado o IP anónima. Cuando se limita, la API devuelve 429 con una cabecera Retry-After. Consulta la referencia de límites de velocidad completa para todas las categorías de endpoints.

Gestión de errores#

Respuestas de error comunes:

FAQ#