Prédiction du modèle avec Ultralytics YOLO
Introduction
In the world of machine learning and computer vision, the process of making sense out of visual data is called 'inference' or 'prediction'. Ultralytics YOLO11 offers a powerful feature known as predict mode that is tailored for high-performance, real-time inference on a wide range of data sources.
Regarde : How to Extract the Outputs from Ultralytics YOLO Model for Custom Projects.
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 ?
Here's why you should consider YOLO11's predict mode for your various inference needs:
- Polyvalence : Capable de faire des déductions sur des images, des vidéos et même des flux en direct.
- Performance: Engineered for real-time, high-speed processing without sacrificing accuracy.
- Facilité d'utilisation : interfaces intuitives Python et CLI pour un déploiement et des tests rapides.
- Hautement personnalisable : Divers réglages et paramètres pour ajuster le comportement d'inférence du modèle en fonction de tes besoins spécifiques.
Caractéristiques principales du mode Predict
YOLO11's predict mode is designed to be robust and versatile, featuring:
- Compatibilité avec plusieurs sources de données : Que tes 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 te couvre.
- Mode streaming : Utilise la fonction de diffusion en continu pour générer un générateur efficace en termes de mémoire de
Results
objets. Active cette fonction en paramétrantstream=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 : intègre facilement les pipelines de données existants et d'autres composants logiciels, grâce à son API flexible.
Ultralytics YOLO renvoient soit une liste Python de Results
ou un générateur Python à mémoire réduite de Results
objets lorsque stream=True
est transmis au modèle pendant l'inférence :
Prévoir
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 can process different types of input sources for inference, as shown in the table below. The sources include static images, video streams, and various data formats. The table also indicates whether each source can be used in streaming mode with the 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.
Astuce
Utilise stream=True
pour le traitement de longues vidéos ou de grands ensembles de données afin de gérer efficacement la mémoire. Quand stream=False
Les résultats de toutes les images ou de tous les points de données sont stockés en mémoire, ce qui peut rapidement s'additionner et provoquer des erreurs hors mémoire pour les entrées importantes. En revanche, stream=True
utilise un générateur qui ne garde en mémoire que les résultats de l'image ou du point de données actuel, ce qui réduit considérablement la consommation de mémoire et évite les problèmes de sortie de mémoire.
Source | Exemple | Type | Notes |
---|---|---|---|
image | 'image.jpg' | str ou Path | Fichier image unique. |
URL | 'https://ultralytics.com/images/bus.jpg' | str | URL d'une image. |
capture d'écran | 'screen' | str | Fais une capture d'écran. |
LIP | Image.open('image.jpg') | PIL.Image | Format HWC avec canaux RVB. |
OpenCV | cv2.imread('image.jpg') | np.ndarray | Format HWC avec canaux BGR uint8 (0-255) . |
numpy | np.zeros((640,1280,3)) | np.ndarray | Format HWC avec canaux BGR uint8 (0-255) . |
torch | torch.zeros(16,3,320,640) | torch.Tensor | Format BCHW avec canaux RVB float32 (0.0-1.0) . |
CSV | 'sources.csv' | str ou Path | Fichier CSV contenant des chemins d'accès à des images, des vidéos ou des répertoires. |
vidéo ✅ | 'video.mp4' | str ou Path | Fichier vidéo dans des formats tels que MP4, AVI, etc. |
répertoire ✅ | 'path/' | str ou Path | Chemin d'accès à un répertoire contenant des images ou des vidéos. |
glob ✅ | 'path/*.jpg' | str | Le motif global permet de faire correspondre plusieurs fichiers. Utilise le * en tant que caractère de remplacement. |
YouTube ✅ | 'https://youtu.be/LNwODJXcvt4' | str | URL d'une vidéo YouTube. |
ruisseau ✅ | 'rtsp://example.com/media.mp4' | str | URL pour les protocoles de diffusion en continu tels que RTSP, RTMP, TCP, ou une adresse IP. |
multi-flux ✅ | 'list.streams' | str ou Path | *.streams fichier texte avec une URL de flux par ligne, c'est-à-dire que 8 flux seront exécutés à la taille de lot 8. |
webcam ✅ | 0 | int | Index of the connected camera device to run inference on. |
Tu trouveras ci-dessous des exemples de code pour l'utilisation de chaque type de source :
Sources de prédiction
Exécute l'inférence sur un fichier image.
Exécute une inférence sur le contenu de l'écran actuel sous forme de capture d'écran.
Exécute une inférence sur une image ou une vidéo hébergée à distance via une URL.
Lance l'inférence sur une image ouverte avec Python Imaging Library (PIL).
Exécute l'inférence sur une image lue avec OpenCV.
Exécute une inférence sur une image représentée par un tableau numpy.
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
Run inference on an image represented as a PyTorch tensor.
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
Exécute une inférence sur une collection d'images, d'URL, de vidéos et de répertoires répertoriés dans un fichier CSV.
Exécute l'inférence sur un fichier vidéo. En utilisant stream=True
Tu peux créer un générateur d'objets Résultats pour réduire l'utilisation de la mémoire.
Exécute l'inférence sur toutes les images et vidéos d'un répertoire. Pour capturer également les images et les vidéos dans les sous-répertoires, utilise un motif glob, c'est-à-dire. path/to/dir/**/*
.
Lance une inférence sur toutes les images et vidéos qui correspondent à une expression globale avec *
les personnages.
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
Exécute une inférence sur une vidéo YouTube. En utilisant stream=True
Tu peux créer un générateur d'objets Résultats pour réduire l'utilisation de la mémoire pour les longues vidéos.
Use the stream mode to run inference on live video streams using RTSP, RTMP, TCP, or IP address protocols. If a single stream is provided, the model runs inference with a batch size of 1. For multiple streams, a .streams
text file can be used to perform batched inference, where the batch size is determined by the number of streams provided (e.g., batch-size 8 for 8 streams).
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
For single stream usage, the batch size is set to 1 by default, allowing efficient real-time processing of the video feed.
To handle multiple video streams simultaneously, use a .streams
text file containing the streaming sources. The model will run batched inference where the batch size equals the number of streams. This setup enables efficient processing of multiple feeds concurrently.
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
Exemple .streams
text file:
rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...
Each row in the file represents a streaming source, allowing you to monitor and perform inference on several video streams at once.
Arguments de déduction
model.predict()
accepte plusieurs arguments qui peuvent être passés au moment de l'inférence pour remplacer les valeurs par défaut :
Exemple
Arguments d'inférence :
Argument | Type | Défaut | Description |
---|---|---|---|
source | str | 'ultralytics/assets' | Specifies the data source for inference. Can be an image path, video file, directory, URL, or device ID for live feeds. Supports a wide range of formats and sources, enabling flexible application across different types of input. |
conf | float | 0.25 | Définit le seuil de confiance minimum pour les détections. Les objets détectés avec un niveau de confiance inférieur à ce seuil ne seront pas pris en compte. Le réglage de cette valeur peut aider à réduire les faux positifs. |
iou | float | 0.7 | Intersection Over Union (IoU) threshold for Non-Maximum Suppression (NMS). Lower values result in fewer detections by eliminating overlapping boxes, useful for reducing duplicates. |
imgsz | int or tuple | 640 | Définit la taille de l'image pour l'inférence. Peut être un seul entier 640 for square resizing or a (height, width) tuple. Proper sizing can improve detection accuracy and processing speed. |
half | bool | False | Enables half-precision (FP16) inference, which can speed up model inference on supported GPUs with minimal impact on accuracy. |
device | str | None | Spécifie le dispositif d'inférence (par ex, cpu , cuda:0 ou 0 ). Permet aux utilisateurs de choisir entre CPU, un GPU spécifique ou d'autres dispositifs de calcul pour l'exécution du modèle. |
max_det | int | 300 | Nombre maximum de détections autorisées par image. Limite le nombre total d'objets que le modèle peut détecter en une seule inférence, ce qui permet d'éviter les sorties excessives dans les scènes denses. |
vid_stride | int | 1 | Saut de trame pour les entrées vidéo. Permet de sauter des images dans les vidéos pour accélérer le traitement au détriment de la résolution temporelle. Une valeur de 1 traite chaque image, les valeurs supérieures sautent des images. |
stream_buffer | bool | False | Determines whether to queue incoming frames for video streams. If False , old frames get dropped to accomodate new frames (optimized for real-time applications). If `True', queues new frames in a buffer, ensuring no frames get skipped, but will cause latency if inference FPS is lower than stream FPS. |
visualize | bool | False | Active la visualisation des caractéristiques du modèle pendant l'inférence, ce qui permet de comprendre ce que le modèle "voit". Utile pour le débogage et l'interprétation du modèle. |
augment | bool | False | Permet l'augmentation du temps de test (TTA) pour les prédictions, améliorant potentiellement la robustesse de la détection au prix de la vitesse d'inférence. |
agnostic_nms | bool | False | Permet la Suppression non maximale (SNM) agnostique des classes, qui fusionne les boîtes de différentes classes qui se chevauchent. Utile dans les scénarios de détection multi-classes où le chevauchement des classes est courant. |
classes | list[int] | None | Filtre les prédictions sur un ensemble d'identifiants de classes. Seules les détections appartenant aux classes spécifiées seront renvoyées. Utile pour se concentrer sur les objets pertinents dans les tâches de détection multi-classes. |
retina_masks | bool | False | Utilise des masques de segmentation à haute résolution s'ils sont disponibles dans le modèle. Cela permet d'améliorer la qualité des masques pour les tâches de segmentation, en fournissant des détails plus fins. |
embed | list[int] | None | Specifies the layers from which to extract feature vectors or embeddings. Useful for downstream tasks like clustering or similarity search. |
Arguments de visualisation :
Argument | Type | Défaut | Description |
---|---|---|---|
show | bool | False | Si True affiche les images ou les vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat pendant le développement ou les tests. |
save | bool | False ou True | Enables saving of the annotated images or videos to file. Useful for documentation, further analysis, or sharing results. Defaults to True when using CLI & False when used in Python. |
save_frames | bool | False | Lors du traitement des vidéos, enregistre les images individuelles en tant qu'images. Utile pour extraire des images spécifiques ou pour une analyse détaillée image par image. |
save_txt | bool | False | Enregistre les résultats de la détection dans un fichier texte, en respectant le format. [class] [x_center] [y_center] [width] [height] [confidence] . Utile pour l'intégration avec d'autres outils d'analyse. |
save_conf | bool | False | Inclut les scores de confiance dans les fichiers texte sauvegardés. Améliore les détails disponibles pour le post-traitement et l'analyse. |
save_crop | bool | False | Sauvegarde les images recadrées des détections. Utile pour l'augmentation des ensembles de données, l'analyse ou la création d'ensembles de données ciblés pour des objets spécifiques. |
show_labels | bool | True | Affiche des étiquettes pour chaque détection dans la sortie visuelle. Permet de comprendre immédiatement les objets détectés. |
show_conf | bool | True | Affiche le score de confiance pour chaque détection à côté de l'étiquette. Donne un aperçu de la certitude du modèle pour chaque détection. |
show_boxes | bool | True | Dessine des boîtes de délimitation autour des objets détectés. Essentiel pour l'identification visuelle et la localisation des objets dans les images ou les trames vidéo. |
line_width | None ou int | None | Spécifie la largeur de ligne des boîtes de délimitation. Dans ce cas None La largeur de la ligne est automatiquement ajustée en fonction de la taille de l'image. Permet une personnalisation visuelle pour plus de clarté. |
Formats d'images et de vidéos
YOLO11 supports various image and video formats, as specified in ultralytics/data/utils.py. See the tables below for the valid suffixes and example predict commands.
Images
Le tableau ci-dessous contient les formats d'image Ultralytics valides.
Note
HEIC images are supported for inference only, not for training.
Suffixes d'image | Exemple de commande Predict | Référence |
---|---|---|
.bmp | yolo predict source=image.bmp | Microsoft Format de fichier BMP |
.dng | yolo predict source=image.dng | Adobe DNG |
.jpeg | yolo predict source=image.jpeg | JPEG |
.jpg | yolo predict source=image.jpg | JPEG |
.mpo | yolo predict source=image.mpo | Objet à images multiples |
.png | yolo predict source=image.png | Graphique en réseau portable |
.tif | yolo predict source=image.tif | Tag Image Format de fichier |
.tiff | yolo predict source=image.tiff | Tag Image Format de fichier |
.webp | yolo predict source=image.webp | WebP |
.pfm | yolo predict source=image.pfm | Carte flottante portable |
.HEIC | yolo predict source=image.HEIC | High Efficiency Image Format |
Vidéos
Le tableau ci-dessous contient les formats vidéo valides Ultralytics .
Suffixes vidéo | Exemple de commande Predict | Référence |
---|---|---|
.asf | yolo predict source=video.asf | Format des systèmes avancés |
.avi | yolo predict source=video.avi | Entrelacement audio-vidéo |
.gif | yolo predict source=video.gif | Format d'échange de graphiques |
.m4v | yolo predict source=video.m4v | MPEG-4 Partie 14 |
.mkv | yolo predict source=video.mkv | Matroska |
.mov | yolo predict source=video.mov | Format de fichier QuickTime |
.mp4 | yolo predict source=video.mp4 | MPEG-4 Partie 14 - Wikipedia |
.mpeg | yolo predict source=video.mpeg | MPEG-1 Partie 2 |
.mpg | yolo predict source=video.mpg | MPEG-1 Partie 2 |
.ts | yolo predict source=video.ts | Flux de transport MPEG |
.wmv | yolo predict source=video.wmv | Vidéo Windows Media |
.webm | yolo predict source=video.webm | Projet WebM |
Travailler avec les résultats
Tous Ultralytics predict()
renverra une liste de Results
objets :
Résultats
Results
Les objets ont les attributs suivants :
Attribut | Type | Description |
---|---|---|
orig_img | numpy.ndarray | L'image originale sous forme de tableau numérique. |
orig_shape | tuple | La forme de l'image originale au format (hauteur, largeur). |
boxes | Boxes, optional | Un objet Boîtes contenant les boîtes de délimitation de la détection. |
masks | Masks, optional | Un objet Masques contenant les masques de détection. |
probs | Probs, optional | Un objet Probs contenant les probabilités de chaque classe pour la tâche de classification. |
keypoints | Keypoints, optional | Un objet Points clés contenant les points clés détectés pour chaque objet. |
obb | OBB, optional | Un objet OBB contenant des boîtes de délimitation orientées. |
speed | dict | Un dictionnaire des vitesses de prétraitement, d'inférence et de post-traitement en millisecondes par image. |
names | dict | Un dictionnaire de noms de classes. |
path | str | Le chemin d'accès au fichier image. |
Results
ont les méthodes suivantes :
Méthode | Type de retour | Description |
---|---|---|
update() | None | Mets à jour les attributs boxes, masks et probs de l'objet Results. |
cpu() | Results | Renvoie une copie de l'objet Results avec tous les tenseurs sur la mémoire CPU . |
numpy() | Results | Renvoie une copie de l'objet Résultats avec tous les tenseurs sous forme de tableaux numpy. |
cuda() | Results | Renvoie une copie de l'objet Results avec tous les tenseurs sur la mémoire GPU . |
to() | Results | Renvoie une copie de l'objet Résultats avec les tenseurs sur le périphérique et le type spécifiés. |
new() | Results | Renvoie un nouvel objet Résultats avec la même image, le même chemin et les mêmes noms. |
plot() | numpy.ndarray | Trace les résultats de la détection. Renvoie un tableau numpy de l'image annotée. |
show() | None | Affiche les résultats annotés à l'écran. |
save() | None | Enregistre les résultats annotés dans un fichier. |
verbose() | str | Renvoie la chaîne du journal pour chaque tâche. |
save_txt() | None | Enregistre les prédictions dans un fichier txt. |
save_crop() | None | Sauvegarde les prévisions recadrées dans save_dir/cls/file_name.jpg . |
tojson() | str | Convertit l'objet au format JSON. |
Pour plus de détails, voir le Results
documentation sur les classes.
Boîtes
Boxes
peut être utilisé pour indexer, manipuler et convertir les boîtes de délimitation dans différents formats.
Boîtes
Voici un tableau pour les Boxes
les méthodes et les propriétés de la classe, y compris leur nom, leur type et leur description :
Nom | Type | Description |
---|---|---|
cpu() | Méthode | Déplace l'objet vers la mémoire CPU . |
numpy() | Méthode | Convertit l'objet en un tableau numpy. |
cuda() | Méthode | Déplace l'objet vers la mémoire CUDA . |
to() | Méthode | Déplace l'objet vers l'appareil spécifié. |
xyxy | Propriété (torch.Tensor ) | Renvoie les cases au format xyxy. |
conf | Propriété (torch.Tensor ) | Renvoie les valeurs de confiance des boîtes. |
cls | Propriété (torch.Tensor ) | Renvoie les valeurs de classe des boîtes. |
id | Propriété (torch.Tensor ) | Renvoie les identifiants de piste des boîtes (si disponibles). |
xywh | Propriété (torch.Tensor ) | Renvoie les boîtes au format xywh. |
xyxyn | Propriété (torch.Tensor ) | Renvoie les cases au format xyxy normalisé par la taille de l'image originale. |
xywhn | Propriété (torch.Tensor ) | Renvoie les boîtes au format xywh normalisé par la taille de l'image originale. |
Pour plus de détails, voir le Boxes
documentation sur les classes.
Masques
Masks
peut être utilisé pour indexer, manipuler et convertir des masques en segments.
Masques
Voici un tableau pour les Masks
les méthodes et les propriétés de la classe, y compris leur nom, leur type et leur description :
Nom | Type | Description |
---|---|---|
cpu() | Méthode | Renvoie les masques tensor sur la mémoire CPU . |
numpy() | Méthode | Renvoie les masques tensor sous la forme d'un tableau numpy. |
cuda() | Méthode | Renvoie les masques tensor sur la mémoire GPU . |
to() | Méthode | Renvoie les masques tensor avec le périphérique et le type spécifiés. |
xyn | Propriété (torch.Tensor ) | Une liste de segments normalisés représentés sous forme de tenseurs. |
xy | Propriété (torch.Tensor ) | Une liste de segments en coordonnées de pixels représentés sous forme de tenseurs. |
Pour plus de détails, voir le Masks
documentation sur les classes.
Points clés
Keypoints
peut être utilisé pour indexer, manipuler et normaliser les coordonnées.
Points clés
Voici un tableau pour les Keypoints
les méthodes et les propriétés de la classe, y compris leur nom, leur type et leur description :
Nom | Type | Description |
---|---|---|
cpu() | Méthode | Renvoie les points clés tensor sur la mémoire CPU . |
numpy() | Méthode | Renvoie les points clés tensor sous la forme d'un tableau numpy. |
cuda() | Méthode | Renvoie les points clés tensor sur la mémoire GPU . |
to() | Méthode | Renvoie les keypoints tensor avec l'appareil et le type spécifiés. |
xyn | Propriété (torch.Tensor ) | Une liste de points clés normalisés représentés sous forme de tenseurs. |
xy | Propriété (torch.Tensor ) | Une liste de points clés en coordonnées de pixels représentés sous forme de tenseurs. |
conf | Propriété (torch.Tensor ) | Renvoie les valeurs de confiance des points clés si elles sont disponibles, sinon aucune. |
Pour plus de détails, voir le Keypoints
documentation sur les classes.
Probs
Probs
peut être utilisé pour indexer, obtenir top1
et top5
indices et scores de classification.
Probs
Voici un tableau qui résume les méthodes et les propriétés de la fonction Probs
classe :
Nom | Type | Description |
---|---|---|
cpu() | Méthode | Renvoie une copie des probs tensor sur la mémoire CPU . |
numpy() | Méthode | Renvoie une copie de probs tensor sous la forme d'un tableau numpy. |
cuda() | Méthode | Renvoie une copie des probs tensor sur la mémoire GPU . |
to() | Méthode | Renvoie une copie de probs tensor avec le périphérique et le type spécifiés. |
top1 | Propriété (int ) | Indice de la classe supérieure 1. |
top5 | Propriété (list[int] ) | Indices des 5 premières classes. |
top1conf | Propriété (torch.Tensor ) | Confiance de la classe des 1ers. |
top5conf | Propriété (torch.Tensor ) | Confidences des 5 premières classes. |
Pour plus de détails, voir le Probs
documentation sur les classes.
OBB
OBB
peut être utilisé pour indexer, manipuler et convertir des boîtes de délimitation orientées dans différents formats.
OBB
Voici un tableau pour les OBB
les méthodes et les propriétés de la classe, y compris leur nom, leur type et leur description :
Nom | Type | Description |
---|---|---|
cpu() | Méthode | Déplace l'objet vers la mémoire CPU . |
numpy() | Méthode | Convertit l'objet en un tableau numpy. |
cuda() | Méthode | Déplace l'objet vers la mémoire CUDA . |
to() | Méthode | Déplace l'objet vers l'appareil spécifié. |
conf | Propriété (torch.Tensor ) | Renvoie les valeurs de confiance des boîtes. |
cls | Propriété (torch.Tensor ) | Renvoie les valeurs de classe des boîtes. |
id | Propriété (torch.Tensor ) | Renvoie les identifiants de piste des boîtes (si disponibles). |
xyxy | Propriété (torch.Tensor ) | Renvoie les cases horizontales au format xyxy. |
xywhr | Propriété (torch.Tensor ) | Renvoie les boîtes tournées au format xywhr. |
xyxyxyxy | Propriété (torch.Tensor ) | Renvoie les boîtes tournées au format xyxyxyxyxy. |
xyxyxyxyn | Propriété (torch.Tensor ) | Renvoie les boîtes pivotées au format xyxyxyxy normalisé par la taille de l'image. |
Pour plus de détails, voir le OBB
documentation sur les classes.
Tracer les 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) sur l'image originale. Cette méthode renvoie l'image annotée sous forme de tableau NumPy, ce qui permet de l'afficher ou de l'enregistrer facilement.
Tracé
from PIL import Image
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Run inference on 'bus.jpg'
results = model(["bus.jpg", "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 divers arguments pour personnaliser la sortie :
Argument | Type | Description | Défaut |
---|---|---|---|
conf | bool | Inclure les scores de confiance de détection. | True |
line_width | float | Largeur de ligne des boîtes de délimitation. S'adapte à la taille de l'image si None . | None |
font_size | float | Taille de la police du texte. S'adapte à la taille de l'image si None . | None |
font | str | Nom de la police pour les annotations de texte. | 'Arial.ttf' |
pil | bool | Renvoie l'image sous la forme d'un objet PIL Image. | False |
img | numpy.ndarray | Image alternative pour le traçage. Utilise l'image originale si None . | None |
im_gpu | torch.Tensor | GPU-Image accélérée pour un tracé plus rapide du masque. Forme : (1, 3, 640, 640). | None |
kpt_radius | int | Rayon pour les points clés dessinés. | 5 |
kpt_line | bool | Relie les points clés par des lignes. | True |
labels | bool | Inclure les étiquettes de classe dans les annotations. | True |
boxes | bool | Superpose les boîtes de délimitation à l'image. | True |
masks | bool | Superpose les masques sur l'image. | True |
probs | bool | Inclure les probabilités de classification. | True |
show | bool | Affiche l'image annotée directement à l'aide de la visionneuse d'images par défaut. | False |
save | bool | Enregistre l'image annotée dans un fichier spécifié par filename . | False |
filename | str | Chemin d'accès et nom du fichier pour enregistrer l'image annotée si save est True . | None |
color_mode | str | Spécifie le mode de couleur, par exemple "instance" ou "classe". | 'class' |
Inférence sûre pour les threads
Assurer la sécurité des threads pendant l'inférence est crucial lorsque tu exécutes 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'assurer des résultats cohérents et fiables.
Lorsque tu utilises les 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 les threads afin d'éviter les conflits :
Inférence sûre pour les threads
Instancie un seul modèle dans chaque thread pour une inférence sans risque pour les threads :
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, tu peux te référer à notre guide de l'inférence à sécurité threadYOLO . Ce guide te fournira toutes les informations nécessaires pour éviter les pièges les plus courants et garantir le bon déroulement de ton inférence multithread.
Source de diffusion en continu for
-Boucle
Voici un script Python utilisant OpenCV (cv2
) and YOLO to run inference on video frames. This script assumes you have already installed the necessary packages (opencv-python
et ultralytics
).
Boucle forgée en continu
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
What is Ultralytics YOLO and its predict mode for real-time inference?
Ultralytics YOLO is a state-of-the-art model for real-time object detection, segmentation, and classification. Its predict mode allows users to perform high-speed inference on various data sources such as images, videos, and live streams. Designed for performance and versatility, it also offers batch processing and streaming modes. For more details on its features, check out the Ultralytics YOLO predict mode.
How can I run inference using Ultralytics YOLO on different data sources?
Ultralytics YOLO can process a wide range of data sources, including individual images, videos, directories, URLs, and streams. You can specify the data source in the model.predict()
appel. Par exemple, utilise 'image.jpg'
pour une image locale ou 'https://ultralytics.com/images/bus.jpg'
pour une URL. Consulte les exemples détaillés des différents sources d'inférence dans la documentation.
How do I optimize YOLO inference speed and memory usage?
Pour optimiser la vitesse d'inférence et gérer efficacement la mémoire, tu peux utiliser le mode streaming en définissant stream=True
dans la méthode d'appel du prédicteur. Le mode streaming génère un générateur de Results
au lieu de charger toutes les images dans la mémoire. Pour le traitement de longues vidéos ou de grands ensembles de données, le mode streaming est particulièrement utile. Pour en savoir plus mode streaming.
What inference arguments does Ultralytics YOLO support?
Le model.predict()
method in YOLO supports various arguments such as conf
, iou
, imgsz
, device
et plus encore. Ces arguments te permettent de personnaliser le processus d'inférence, en définissant des paramètres tels que les seuils de confiance, la taille de l'image et l'appareil utilisé pour le calcul. Des descriptions détaillées de ces arguments sont disponibles dans la section arguments d'inférence section.
How can I visualize and save the results of YOLO predictions?
After running inference with YOLO, the Results
contiennent des méthodes pour afficher et enregistrer les images annotées. Tu peux utiliser des méthodes comme result.show()
et result.save(filename="result.jpg")
pour visualiser et enregistrer les résultats. Pour obtenir une liste complète de ces méthodes, reporte-toi à la rubrique Travailler avec les résultats section.