Vai al contenuto

API di inferenza di Ultralytics HUB

Dopo aver addestrato un modello, puoi utilizzare la Shared Inference API gratuitamente. Se sei un utente Pro, puoi accedere alla Dedicated Inference API. La Inference API di Ultralytics HUB ti consente di eseguire l'inferenza tramite la nostra REST API senza la necessità di installare e configurare l'ambiente Ultralytics YOLO localmente.

Screenshot di Ultralytics HUB della scheda Deploy all'interno della pagina Modello con una freccia che indica la card Dedicated Inference API e una che indica la card Shared Inference API


Guarda: Guida dettagliata all'API di inferenza di Ultralytics HUB

API di inferenza dedicata

In risposta all'elevata domanda e al diffuso interesse, siamo entusiasti di presentare l'Ultralytics HUB Dedicated Inference API, che offre la distribuzione con un solo clic in un ambiente dedicato per i nostri utenti Pro!

Nota

Siamo entusiasti di offrire questa funzionalità GRATUITAMENTE durante la nostra beta pubblica come parte del Pro Plan, con possibili livelli a pagamento in futuro.

  • Copertura globale: Distribuito in 38 regioni in tutto il mondo, garantendo un accesso a bassa latenza da qualsiasi posizione. Consulta l'elenco completo delle regioni di Google Cloud.
  • Basato su Google Cloud Run: Supportato da Google Cloud Run, che fornisce un'infrastruttura infinitamente scalabile e altamente affidabile.
  • Alta velocità: È possibile una latenza inferiore a 100 ms per l'inferenza YOLOv8n a risoluzione 640 da regioni vicine in base ai test Ultralytics.
  • Sicurezza Migliorata: Fornisce robuste funzionalità di sicurezza per proteggere i tuoi dati e garantire la conformità agli standard del settore. Scopri di più sulla sicurezza di Google Cloud.

Per utilizzare l'API Dedicated Inference di Ultralytics HUB, fai clic sul pulsante Start Endpoint. Quindi, utilizza l'URL endpoint univoco come descritto nelle guide seguenti.

Screenshot di Ultralytics HUB della scheda Deploy all'interno della pagina Modello con una freccia che indica il pulsante Start Endpoint nella card Dedicated Inference API

Suggerimento

Scegli la regione con la latenza più bassa per ottenere le migliori prestazioni, come descritto nella documentazione.

Per arrestare l'endpoint dedicato, fai clic sul pulsante Stop Endpoint.

Screenshot di Ultralytics HUB della scheda Deploy all'interno della pagina Modello con una freccia che indica il pulsante Stop Endpoint nella card Dedicated Inference API

API di inferenza condivisa

Per utilizzare l'API Shared Inference di Ultralytics HUB, segui le guide seguenti.

L'API Shared Inference di Ultralytics HUB ha i seguenti limiti di utilizzo:

  • 100 chiamate / ora

Python

Per accedere all'API di inferenza Ultralytics HUB tramite Python, utilizza il seguente codice:

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

Nota

Sostituisci MODEL_ID con l'ID del modello desiderato, API_KEY con la tua chiave API effettiva, e path/to/image.jpg con il percorso dell'immagine su cui si desidera eseguire l'inferenza.

Se state usando il nostro API di inferenza dedicata, sostituire il url pure.

cURL

Per accedere all'API di inferenza Ultralytics HUB tramite cURL, utilizza il seguente codice:

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

Nota

Sostituisci MODEL_ID con l'ID del modello desiderato, API_KEY con la tua chiave API effettiva, e path/to/image.jpg con il percorso dell'immagine su cui si desidera eseguire l'inferenza.

Se state usando il nostro API di inferenza dedicata, sostituire il url pure.

Argomenti

Consulta la tabella seguente per un elenco completo degli argomenti di inferenza disponibili.

Argomento Predefinito Tipo Descrizione
file file File immagine o video da utilizzare per l'inferenza.
imgsz 640 int Dimensione dell'immagine di input, l'intervallo valido è 32 - 1280 pixel.
conf 0.25 float Soglia di confidenza per le previsioni, intervallo valido 0.01 - 1.0.
iou 0.45 float Intersezione sull'Unione Soglia (IoU), intervallo valido 0.0 - 0.95.

Risposta

L'API Inference di Ultralytics HUB restituisce una risposta JSON.

Classificazione

Modello di classificazione

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-cls.pt")

# Run inference
results = model("image.jpg")

# Print image.jpg results in JSON format
print(results[0].to_json())

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Rilevamento

Modello di Detection

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n.pt")

# Run inference
results = model("image.jpg")

# Print image.jpg results in JSON format
print(results[0].to_json())

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

OBB

Modello OBB

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-obb.pt")

# Run inference
results = model("image.jpg")

# Print image.jpg results in JSON format
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 374.85565,
            "x2": 392.31824,
            "x3": 412.81805,
            "x4": 395.35547,
            "y1": 264.40704,
            "y2": 267.45728,
            "y3": 150.0966,
            "y4": 147.04634
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Segmentazione

Modello di segmentazione

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-seg.pt")

# Run inference
results = model("image.jpg")

# Print image.jpg results in JSON format
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          },
          "segments": {
            "x": [
              266.015625,
              266.015625,
              258.984375,
              ...
            ],
            "y": [
              110.15625,
              113.67188262939453,
              120.70311737060547,
              ...
            ]
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Posa

Modello di posa

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-pose.pt")

# Run inference
results = model("image.jpg")

# Print image.jpg results in JSON format
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
  -F "file=@/path/to/image.jpg" \
  -F "imgsz=640" \
  -F "conf=0.25" \
  -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          },
          "keypoints": {
            "visible": [
              0.9909399747848511,
              0.8162999749183655,
              0.9872099757194519,
              ...
            ],
            "x": [
              316.3871765136719,
              315.9374694824219,
              304.878173828125,
              ...
            ],
            "y": [
              156.4207763671875,
              148.05775451660156,
              144.93240356445312,
              ...
            ]
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}


📅 Creato 1 anno fa ✏️ Aggiornato 5 mesi fa
glenn-jocher sergiuwaxmann MatthewNoyce jk4e UltralyticsAssistant RizwanMunawar priytosh-tripathi

Commenti