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.
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.
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.
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": ...
}