Prédiction du modèle avec Ultralytics YOLO

Introduction

Dans le monde de l'apprentissage automatique et de la vision par ordinateur, le processus consistant à donner un sens aux données visuelles est appelé "inférence" ou "prédiction". Ultralytics YOLO11 offre une fonction puissante appelée " mode prédiction " qui est adaptée à l'inférence en temps réel et à haute performance sur un large éventail de sources de données.

Regarder : Comment extraire les résultats du modèle Ultralytics YOLO pour des projets personnalisés.

Applications dans le monde réel

Fabrication	Sports	Sécurité
Détection des pièces détachées de véhicules	Détection des joueurs de football	Détection des chutes de personnes

Pourquoi utiliser Ultralytics YOLO pour l'inférence ?

Voici pourquoi vous devriez considérer le mode prédictif de YOLO11 pour vos différents besoins d'inférence :

• Polyvalence : Capable de faire des déductions sur des images, des vidéos et même des flux en direct.
• Performance : Conçu pour un traitement en temps réel et à grande vitesse sans sacrifier la précision.
• Facilité d'utilisation : interfaces intuitives Python et CLI pour un déploiement et des tests rapides.
• Hautement personnalisable : Divers réglages et paramètres permettent d'adapter le comportement d'inférence du modèle à vos besoins spécifiques.

Principales caractéristiques du mode Predict

YOLO11Le mode prédictif du système est conçu pour être robuste et polyvalent :

• Compatibilité avec plusieurs sources de données : Que vos données se présentent sous la forme d'images individuelles, d'une collection d'images, de fichiers vidéo ou de flux vidéo en temps réel, le mode prédictif vous couvre.
• Mode streaming : Utilisez la fonction de diffusion en continu pour générer un générateur efficace en termes de mémoire de Results objets. Activez cette fonction en définissant stream=True dans la méthode d'appel du prédicteur.
• Traitement par lots : La possibilité de traiter plusieurs images ou trames vidéo en un seul lot, ce qui accélère encore le temps d'inférence.
• Facilité d'intégration : grâce à son API flexible, il est facile de l'intégrer aux pipelines de données existants et à d'autres composants logiciels.

Ultralytics YOLO renvoient soit une liste Python de Results ou un générateur d'objets Python à faible consommation de mémoire. Results objets lorsque stream=True est transmis au modèle lors de l'inférence :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n 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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"], stream=True)  # return a generator of Results objects

# Process results generator
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

Sources d'inférence

YOLO11 peut traiter différents types de sources d'entrée pour l'inférence, comme le montre le tableau ci-dessous. Les sources comprennent des images statiques, des flux vidéo et divers formats de données. Le tableau indique également si chaque source peut être utilisée en mode streaming avec l'argument stream=True ✅. Le mode Streaming est avantageux pour le traitement des vidéos ou des flux en direct, car il crée un générateur de résultats au lieu de charger toutes les images en mémoire.

Vous trouverez ci-dessous des exemples de code pour l'utilisation de chaque type de source :

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define current screenshot as source
source = "screen"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import cv2

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

# Run inference on the source
results = model(source)  # list of Results objects

import torch

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP, or IP streaming address

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Multiple streams with batched inference (e.g., batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per line

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on the source
results = model(source=0, stream=True)  # generator of Results objects

Arguments de déduction

model.predict() accepte plusieurs arguments qui peuvent être passés au moment de l'inférence pour remplacer les valeurs par défaut :

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5)

Arguments d'inférence :

Arguments de visualisation :

Formats d'image et de vidéo

YOLO11 prend en charge divers formats d'images et de vidéos, comme spécifié dans ultralytics/data/utils .py. Voir les tableaux ci-dessous pour les suffixes valides et les exemples de commandes de prédiction.

Images

Le tableau ci-dessous contient les formats d'image valables pour Ultralytics .

Vidéos

Le tableau ci-dessous contient les formats vidéo valides Ultralytics .

Travailler avec des résultats

Tous Ultralytics predict() renverra une liste de Results objets :

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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

Results ont les attributs suivants :

Results disposent des méthodes suivantes :

Pour plus de détails, voir le site Results documentation de la classe.

Boîtes

Boxes peut être utilisé pour indexer, manipuler et convertir les boîtes de délimitation dans différents formats.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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

Voici un tableau pour le Boxes les méthodes et propriétés de la classe, y compris leur nom, leur type et leur description :

Pour plus de détails, voir le site Boxes documentation de la classe.

Masques

Masks peut être utilisé pour indexer, manipuler et convertir des masques en segments.

from ultralytics import YOLO

# Load a pretrained YOLO11n-seg Segment model
model = YOLO("yolo11n-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

Voici un tableau pour le Masks les méthodes et propriétés de la classe, y compris leur nom, leur type et leur description :

Pour plus de détails, voir le site Masks documentation de la classe.

Points clés

Keypoints peut être utilisé pour indexer, manipuler et normaliser des coordonnées.

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose Pose model
model = YOLO("yolo11n-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

Voici un tableau pour le Keypoints les méthodes et propriétés de la classe, y compris leur nom, leur type et leur description :

Pour plus de détails, voir le site Keypoints documentation de la classe.

Probs

Probs peut être utilisé pour indexer, obtenir top1 et top5 les indices et les scores de classification.

from ultralytics import YOLO

# Load a pretrained YOLO11n-cls Classify model
model = YOLO("yolo11n-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

Voici un tableau résumant les méthodes et les propriétés de l'élément Probs classe :

Pour plus de détails, voir le site Probs documentation de la classe.

OBB

OBB peut être utilisé pour indexer, manipuler et convertir des boîtes de délimitation orientées dans différents formats.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n-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

Voici un tableau pour le OBB les méthodes et propriétés de la classe, y compris leur nom, leur type et leur description :

Pour plus de détails, voir le site OBB documentation de la classe.

Représentation graphique des résultats

Le plot() méthode en Results facilite la visualisation des prédictions en superposant les objets détectés (tels que les boîtes de délimitation, les masques, les points clés et les probabilités) à l'image originale. Cette méthode renvoie l'image annotée sous la forme d'un tableau NumPy, ce qui permet de l'afficher ou de la sauvegarder facilement.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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")

plot() Paramètres de la méthode

Le plot() prend en charge différents arguments pour personnaliser la sortie :

Inférence sûre pour les threads

Garantir la sécurité des threads pendant l'inférence est crucial lorsque vous exécutez plusieurs modèles YOLO en parallèle sur différents threads. L'inférence thread-safe garantit que les prédictions de chaque thread sont isolées et n'interfèrent pas les unes avec les autres, ce qui permet d'éviter les conditions de course et d'obtenir des résultats cohérents et fiables.

Lors de l'utilisation de modèles YOLO dans une application multithread, il est important d'instancier des objets de modèle distincts pour chaque thread ou d'utiliser un stockage local pour éviter les conflits :

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=("yolo11n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image2.jpg")).start()

Pour un examen approfondi de l'inférence à sécurité thread avec les modèles YOLO et des instructions étape par étape, veuillez vous référer à notre guide de l'inférence à sécurité threadYOLO . Ce guide vous fournira toutes les informations nécessaires pour éviter les pièges les plus courants et garantir le bon déroulement de votre inférence multithread.

Source de diffusion en continu for-Boucle

Voici un script Python utilisant OpenCV (cv2) et YOLO pour faire de l'inférence sur des images vidéo. Ce script suppose que vous avez déjà installé les paquets nécessaires (opencv-python et ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.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()

Ce script exécute des prédictions sur chaque image de la vidéo, visualise les résultats et les affiche dans une fenêtre. La boucle peut être quittée en appuyant sur 'q'.

FAQ

Qu'est-ce que Ultralytics YOLO et son mode prédictif pour l'inférence en temps réel ?

Ultralytics YOLO est un modèle de pointe pour la détection, la segmentation et la classification d'objets en temps réel. Son mode prédictif permet aux utilisateurs d'effectuer des inférences à grande vitesse sur diverses sources de données telles que les images, les vidéos et les flux en direct. Conçu pour être performant et polyvalent, il offre également des modes de traitement par lots et de diffusion en continu. Pour plus de détails sur ses fonctionnalités, consultez le site Ultralytics YOLO predict mode.

Comment puis-je effectuer une inférence à l'aide de Ultralytics YOLO sur différentes sources de données ?

Ultralytics YOLO peut traiter un large éventail de sources de données, notamment des images individuelles, des vidéos, des répertoires, des URL et des flux. Vous pouvez spécifier la source de données dans le champ model.predict() appel. Par exemple, utilisez 'image.jpg' pour une image locale ou 'https://ultralytics.com/images/bus.jpg' pour une URL. Consultez les exemples détaillés des différents sources d'inférence dans la documentation.

Comment optimiser la vitesse d'inférence et l'utilisation de la mémoire de YOLO ?

Pour optimiser la vitesse d'inférence et gérer efficacement la mémoire, vous pouvez utiliser le mode "streaming" en définissant les paramètres suivants stream=True dans la méthode d'appel du prédicteur. Le mode streaming génère un générateur de Results au lieu de charger toutes les images en mémoire. Le mode de diffusion en continu est particulièrement utile pour le traitement de longues vidéos ou de grands ensembles de données. Pour en savoir plus mode streaming.

Quels sont les arguments d'inférence soutenus par Ultralytics YOLO ?

Le model.predict() dans YOLO prend en charge divers arguments tels que conf, iou, imgsz, deviceet d'autres encore. Ces arguments vous permettent de personnaliser le processus d'inférence, en définissant des paramètres tels que les seuils de confiance, la taille de l'image et le dispositif utilisé pour le calcul. Des descriptions détaillées de ces arguments peuvent être trouvées dans la section arguments de déduction section.

Comment puis-je visualiser et enregistrer les résultats des prédictions de YOLO ?

Après avoir effectué une inférence à l'aide de YOLO, le Results contiennent des méthodes d'affichage et d'enregistrement des images annotées. Vous pouvez utiliser des méthodes telles que result.show() et result.save(filename="result.jpg") pour visualiser et enregistrer les résultats. Pour obtenir une liste complète de ces méthodes, veuillez consulter le site web de la Commission européenne. travailler avec les résultats section.

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires