Inferencia

Ultralytics Platform proporciona una Inference API para probar modelos entrenados. Utilice la interfaz basada en navegador Predict pestaña para una validación rápida o la REST API para acceso programático.

Pestaña de Predicción

Cada modelo incluye un Predict pestaña para inferencia basada en navegador:

1. Navega a tu modelo
2. Haga clic en la pestaña Predecir.
3. Suba una imagen, use un ejemplo o abra su cámara web
4. Ver predicciones al instante con superposiciones de cuadros delimitadores

Métodos de Entrada

El panel de predicción admite múltiples métodos de entrada:

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

    style D fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Subir imagen

Arrastre y suelte o haga clic para subir:

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

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

Cámara web

Haga clic en la tarjeta de la webcam para iniciar una transmisión de cámara en vivo:

1. Conceder permiso de cámara cuando se solicite
2. Haga clic en la vista previa del video para capturar un fotograma
3. La inferencia se ejecuta automáticamente en el fotograma capturado
4. Vuelva a hacer clic para reiniciar la cámara web.

Ver resultados

Visualización de resultados de inferencia:

• Bounding boxes con etiquetas de clase como superposiciones SVG
• Puntuaciones de confianza para cada detección
• Colores de clase de la paleta de colores de su conjunto de datos (o la paleta predeterminada de Ultralytics)
• Desglose de velocidad: Preprocesamiento, inferencia, postprocesamiento y tiempo de red

El panel de resultados muestra:

Parámetros de inferencia

Ajuste el comportamiento de detección con los parámetros en la sección Parámetros desplegable:

Umbral de confianza

Filtre las predicciones por confianza:

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

Umbral de IoU

Controle la NMS:

• Más alto (0.7+): Permite más cuadros superpuestos
• Más bajo (0.3-0.5): Fusiona detecciones cercanas de forma más agresiva
• Predeterminado (0.70): Comportamiento de NMS equilibrado para la mayoría de los casos de uso

Predicción del Despliegue

Cada ejecución punto final dedicado incluye un Predict pestaña directamente en su tarjeta de despliegue. Esto utiliza el servicio de inferencia propio del despliegue en lugar del servicio de predicción compartido, lo que le permite probar su endpoint desplegado desde el navegador.

REST API

Acceda a la inferencia programáticamente:

Autenticación

Incluya su clave API en las solicitudes:

Authorization: Bearer YOUR_API_KEY

Endpoint

POST https://platform.ultralytics.com/api/models/{modelId}/predict

Solicitud

import requests

url = "https://platform.ultralytics.com/api/models/MODEL_ID/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
files = {"file": open("image.jpg", "rb")}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

response = requests.post(url, headers=headers, files=files, data=data)
print(response.json())

curl -X POST \
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "file=@image.jpg" \
  -F "conf=0.25" \
  -F "iou=0.7" \
  -F "imgsz=640"

const formData = new FormData();
formData.append("file", fileInput.files[0]);
formData.append("conf", "0.25");
formData.append("iou", "0.7");
formData.append("imgsz", "640");

const response = await fetch(
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict",
  {
    method: "POST",
    headers: { Authorization: "Bearer YOUR_API_KEY" },
    body: formData,
  }
);

const result = await response.json();
console.log(result);

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,
        "model": "model.pt",
        "version": {
            "ultralytics": "8.4.14",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Campos de Respuesta

Respuestas Específicas de la 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}
}

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "segments": [[100, 50], [150, 60], ...]
}

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "keypoints": [
    {"x": 200, "y": 75, "conf": 0.95},
    ...
  ]
}

{
  "results": [
    {"class": 0, "name": "cat", "confidence": 0.95},
    {"class": 1, "name": "dog", "confidence": 0.03}
  ]
}

{
  "class": 0,
  "name": "ship",
  "confidence": 0.89,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "obb": {"x1": 105, "y1": 48, "x2": 295, "y2": 55, "x3": 290, "y3": 395, "x4": 110, "y4": 402}
}

Límites de Tasa

La inferencia compartida está limitada a 20 solicitudes/min por clave de API. Cuando se limita, la API devuelve 429 con un Retry-After encabezado. Consulte el completo Referencia del límite de tasa para todas las categorías de puntos finales.

Manejo de Errores

Respuestas de error comunes:

Preguntas frecuentes

¿Puedo ejecutar inferencia en video?

La API acepta fotogramas individuales. Para video:

1. Extraiga fotogramas localmente
2. Envíe cada fotograma a la API
3. Agregue los resultados

Para video en tiempo real, considere implementar un endpoint dedicado.

¿Cómo obtengo la imagen anotada?

La API devuelve predicciones JSON. Para visualizar:

1. Utilice las predicciones para dibujar cuadros localmente
2. Use Ultralytics plot() método:

from ultralytics import YOLO

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

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

¿Cuál es el tamaño máximo de imagen?

• Límite de subida: 10MB
• Recommended: <5MB for fast inference
• Redimensionamiento automático: Las imágenes se redimensionan al tamaño seleccionado Image Size parameter

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

¿Puedo ejecutar inferencia por lotes?

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

1. Envíe solicitudes concurrentes
2. Utilice un endpoint dedicado para un mayor rendimiento.
3. Considere la inferencia local para grandes lotes.

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))

📅 Creado hace 2 meses ✏️ Actualizado hace 25 días

Comentarios