Inférence#

Ultralytics Platform fournit une inférence basée sur le navigateur pour tester les modèles entraînés et des points de terminaison dédiés pour un accès programmatique.

Onglet Prédire#

Chaque modèle inclut un onglet Predict pour l'inférence basée sur le navigateur :

1. Accède à ton modèle
2. Clique sur l'onglet Predict
3. Télécharge une image, utilise un exemple ou ouvre ta webcam
4. Consulte la superposition spécifique à la tâche, le résumé de prédiction, le minutage et la réponse brute

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

Télécharger une image#

Glisse-dépose ou clique pour télécharger :

• Formats pris en charge : JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP, DNG, MPO
• Taille max : 10 Mo
• Auto-inférence : Les résultats apparaissent automatiquement après le téléchargement

Images d'exemple#

Le panneau de prédiction affiche des images d'exemple provenant du dataset lié à ton modèle. Si aucun dataset n'est lié, des exemples par défaut sont utilisés :

Pour les modèles OBB, des images aériennes de bateaux et d'aéroports sont affichées à la place.

Webcam#

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

1. Accorde la permission d'accès à la caméra lorsque cela 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

Voir les résultats#

Les résultats d'inférence affichent la sortie adaptée à la tâche du modèle : boîtes, masques, points clés, boîtes orientées, scores de classification, couverture sémantique ou carte de profondeur. Les résultats d'objets utilisent les couleurs de classe du dataset lorsqu'elles sont disponibles. Le panneau indique également les temps de prétraitement, d'inférence, de post-traitement et de réseau.

Le panneau des résultats affiche :

Paramètres d'inférence#

Ajuste le comportement d'inférence à l'aide des trois curseurs situés sous l'image :

Seuil de confiance#

Filtre les prédictions par confiance :

• Plus élevé (0,5+) : Moins de prédictions, mais plus certaines
• Plus bas (0,1-0,25) : Plus de prédictions, avec un peu de bruit
• Par défaut (0,25) : Équilibré pour la plupart des cas d'utilisation

Seuil IoU#

Contrôle la NMS (Non-Maximum Suppression) :

• Plus élevé (0,7+) : Autorise plus de boîtes qui se chevauchent
• Plus bas (0,3-0,5) : Supprime les détections qui se chevauchent de manière plus agressive
• Par défaut (0,7) : Comportement NMS équilibré pour la plupart des cas d'utilisation

Inférence de déploiement#

Chaque point de terminaison dédié en cours d'exécution inclut un onglet Predict directement sur sa carte de déploiement. Celui-ci 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.

API de point de terminaison dédié#

La carte API Docs dans l'onglet Predict du modèle contient des exemples de requêtes Python, JavaScript et cURL. Les exemples utilisent des espaces réservés jusqu'à ce que tu déploies le modèle. Après le déploiement, l'onglet Code de la carte de déploiement remplit l'URL de son point de terminaison et la clé API disponible pour ton espace de travail.

Authentification#

Inclus ta clé API dans les requêtes :

Authorization: Bearer YOUR_API_KEY

Point de terminaison#

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

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,
        "functionTimeCall": 0.018,
        "task": "detect",
        "version": {
            "ultralytics": "8.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Champs de 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 taux#

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

Gestion des erreurs#

Réponses d'erreur courantes :

FAQ#