Inférence#

Ultralytics Platform fournit une inférence dans le navigateur pour tester les modèles entraînés ainsi que des points de terminaison dédiés pour un accès programmatique.

Onglet Prédiction#

Chaque modèle avec des poids inclut un onglet Predict pour l’inférence dans le navigateur :

1. Accède à ton modèle
2. Clique sur l’onglet Predict
3. Importe une image, utilise un exemple ou ouvre ta webcam
4. Examine la superposition spécifique à la tâche, le résumé des prédictions, les temps d’exécution et la réponse brute

Les modèles sans poids affichent plutôt un état vide : entraîne le modèle ou importe d’abord les poids.

Méthodes d’entrée#

Le panneau de prédiction prend en charge plusieurs méthodes d’entrée :

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

Importer une image#

Fais glisser-déposer une image ou clique pour l’importer :

• Formats pris en charge : JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP
• Taille maximale : 10 MB
• Inférence automatique : les résultats s’affichent automatiquement après l’importation

Images d’exemple#

Le panneau de prédiction affiche jusqu’à deux images d’exemple provenant du jeu de données associé à ton modèle, en privilégiant la partition val, puis test, puis train. Si aucun jeu de données n’est associé, des exemples par défaut sont utilisés :

Pour les modèles OBB, des images aériennes de bateaux et d’un aéroport sont affichées à la place.

Webcam#

Clique sur la carte de la webcam pour démarrer un flux vidéo en direct :

1. Autorise l’accès à la caméra lorsque cela t’est demandé
2. Clique sur l’aperçu vidéo pour capturer une image
3. L’inférence s’exécute automatiquement sur l’image capturée
4. Clique à nouveau pour redémarrer la webcam

Afficher les résultats#

Les résultats de l’inférence affichent la sortie appropriée à la tâche du modèle : boîtes, masques, points clés, boîtes orientées, scores de classification, couverture sémantique ou carte de profondeur. Lorsque c’est possible, les résultats des objets utilisent les couleurs de classes du jeu de données. Le panneau affiche également les temps de prétraitement, d’inférence, de post-traitement et du réseau.

Le panneau des résultats affiche :

Deux commandes apparaissent au-dessus de l’aperçu une fois les résultats disponibles : clique sur l’image pour l’agrandir en conservant les superpositions, et utilise le bouton de téléchargement pour enregistrer un fichier JPEG annoté du résultat actuel.

Paramètres d’inférence#

Ajuste le comportement de l’inférence à l’aide des trois curseurs situés sous l’image :

Seuil de confiance#

Filtre les prédictions selon leur confiance :

• Élevé (0.5+) : moins de prédictions, mais plus certaines
• Faible (0.1-0.25) : davantage de prédictions, avec un peu de bruit
• Par défaut (0.25) : équilibre adapté à la plupart des cas d’utilisation

Seuil IoU#

Contrôle la suppression non maximale (NMS) :

• Élevé (0.7+) : autorise davantage de boîtes qui se chevauchent
• Faible (0.3-0.5) : supprime plus agressivement les détections qui se chevauchent
• Par défaut (0.7) : comportement NMS équilibré pour la plupart des cas d’utilisation

Prédiction du déploiement#

Chaque point de terminaison dédié en cours d’exécution inclut un onglet Predict directement sur sa carte de déploiement. Il utilise le propre service d’inférence du déploiement plutôt que le service de prédiction partagé, ce qui te permet de tester ton point de terminaison déployé depuis le navigateur.

Sur un point de terminaison payant avec la surveillance activée, les images traitées contribuent également à l'onglet Surveillance. Les exemples échantillonnés et les graphiques agrégés de l'onglet Surveillance sont des données légères et temporaires conservées en mémoire ; l'arrêt, le redémarrage, le redéploiement, le redimensionnement ou le remplacement du modèle peuvent effacer les exemples échantillonnés et les graphiques agrégés. Enregistre les exemples dans un jeu de données pour conserver les exemples.

API du point de terminaison dédié#

La carte API Docs de l’onglet Predict du modèle contient des requêtes d’exemple en Python, JavaScript et cURL, préremplies avec la confiance, l’IoU et la taille d’image actuellement définies par les curseurs. L’URL et la clé sont des valeurs fictives jusqu’à ce que tu déploies le modèle — un bouton Deploy situé à côté des onglets de code ouvre directement son onglet Deploy. Après le déploiement, l’onglet Code de la carte de déploiement renseigne l’URL de ce point de terminaison et, pour les propriétaires de l’espace de travail, sa clé API associée, prêtes à être copiées et exécutées.

Authentification#

Inclus ta clé API dans les requêtes :

Authorization: Bearer YOUR_API_KEY

Point de terminaison#

Les points de terminaison dédiés reçoivent les requêtes sur leur propre URL :

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

L’inférence partagée utilise l’API de la Platform avec le chemin complet du modèle :

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

Les deux acceptent le même corps multipart/form-data et renvoient la même structure de réponse. Avec le SDK Python, utilise client.models.predict(owner, project, model, body=...) pour l’inférence partagée ou client.deployments.predict(owner, deployment, body=...) pour un déploiement dédié :

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})

Requête#

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())

Paramètres de requête#

Réponse#

{
    "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"
        }
    }
}

Champs de la réponse#

Réponses spécifiques à la tâche#

Le format de réponse varie selon la tâche :

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400}
}

Limites de débit#

L’API de modèles partagée est limitée à 20 requêtes/minute pour chaque clé API, utilisateur connecté ou adresse IP anonyme. En cas de limitation, l’API renvoie 429 avec un en-tête Retry-After. Consulte la référence complète des limites de débit pour toutes les catégories de points de terminaison.

Gestion des erreurs#

Réponses d’erreur courantes :

FAQ#