Link to this sectionPrevisione del modello con Ultralytics YOLO#

Link to this sectionIntroduzione#

Nel mondo del machine learning e della computer vision, il processo di interpretazione dei dati visivi è spesso chiamato inferenza o previsione. Ultralytics YOLO26 offre una potente funzionalità nota come predict mode, pensata per un'inferenza in tempo reale ad alte prestazioni su una vasta gamma di fonti dati.

Link to this sectionApplicazioni nel mondo reale#

Manifattura	Sport	Sicurezza
Rilevamento di ricambi per veicoli	Rilevamento di giocatori di calcio	Rilevamento di cadute di persone

Link to this sectionPerché usare Ultralytics YOLO per l'inferenza?#

Ecco perché dovresti prendere in considerazione la predict mode di YOLO26 per le tue varie esigenze di inferenza:

• Versatilità: In grado di eseguire l'inferenza su immagini, video e persino live stream.
• Performance: Progettata per un'elaborazione ad alta velocità in tempo reale senza sacrificare l'accuratezza.
• Facilità d'uso: Interfacce intuitive in Python e CLI per una distribuzione e un test rapidi.
• Altamente personalizzabile: Varie impostazioni e parametri per ottimizzare il comportamento di inferenza del modello in base ai tuoi requisiti specifici.
• Pronto per la produzione: Distribuisci i modelli come endpoint API su Ultralytics Platform con scalabilità automatica e monitoraggio, oppure esegui l'inferenza localmente.

Link to this sectionCaratteristiche principali della predict mode#

La predict mode di YOLO26 è progettata per essere robusta e versatile, e offre:

• Compatibilità con molteplici fonti dati: Che i tuoi dati siano sotto forma di singole immagini, una raccolta di immagini, file video o streaming video in tempo reale, la predict mode è adatta a te.
• Modalità di streaming: Usa la funzionalità di streaming per generare un generatore di oggetti Results efficiente in termini di memoria. Abilitala impostando stream=True nel metodo di chiamata del predittore.
• Elaborazione in batch: Elabora più immagini o fotogrammi video in un unico batch, riducendo ulteriormente il tempo totale di inferenza.
• Facile da integrare: Si integra facilmente con pipeline di dati esistenti e altri componenti software, grazie alla sua API flessibile.

I modelli Ultralytics YOLO restituiscono una lista Python di oggetti Results o un generatore di oggetti Results efficiente in termini di memoria quando stream=True viene passato al modello durante l'inferenza:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n 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

Link to this sectionFonti di inferenza#

YOLO26 può elaborare diversi tipi di fonti di input per l'inferenza, come mostrato nella tabella sottostante. Le fonti includono immagini statiche, stream video e vari formati di dati. La tabella indica anche se ogni fonte può essere utilizzata in modalità di streaming con l'argomento stream=True ✅. La modalità di streaming è utile per elaborare video o live stream poiché crea un generatore di risultati invece di caricare tutti i fotogrammi in memoria.

Di seguito sono riportati esempi di codice per l'utilizzo di ciascun tipo di fonte:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

Link to this sectionArgomenti di inferenza#

model.predict() accetta diversi argomenti che possono essere passati durante l'inferenza per sovrascrivere le impostazioni predefinite:

Link to this sectionForma fissa vs rettangolo minimo (rect)#

Per impostazione predefinita, predict utilizza rect=True, che abilita il padding a rettangolo minimo quando possibile. L'immagine viene ridimensionata per adattarsi all'interno di imgsz e viene aggiunto del padding solo fino al multiplo di stride più vicino, quindi il tensore finale potrebbe essere più piccolo di imgsz. Il padding a rettangolo minimo viene utilizzato solo quando tutte le immagini nel batch hanno la stessa forma e il backend lo supporta (PyTorch .pt o ONNX / Triton dinamici). Altrimenti, le immagini vengono riempite fino al target completo imgsz.

Usa rect=False per riempire sempre fino al target completo imgsz. Questo è consigliato quando hai bisogno di una dimensione di input fissa per corrispondere ai modelli esportati (ONNX, TensorRT, ecc.).

Intero vs tupla imgsz

• Un intero imgsz=640 diventa un target quadrato (640, 640) dopo l'arrotondamento dello stride.
• Una tupla imgsz=(384, 672) imposta un target rettangolare. Con rect=True e auto=True, il tensore effettivo può essere più piccolo di questo target.

Addestramento vs predict/export

L'addestramento accetta solo un singolo intero imgsz (una lista [h, w] viene convertita nel valore più grande). Predict ed export accettano sia un intero che una tupla (height, width).

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

Argomenti di inferenza:

Argomenti di visualizzazione:

Link to this sectionFormati di immagini e video#

YOLO26 supporta vari formati di immagini e video, come specificato in ultralytics/data/utils.py. Consulta le tabelle sottostanti per i suffissi validi e gli esempi di comandi predict.

Link to this sectionImmagini#

La tabella seguente contiene i formati di immagine validi per Ultralytics.

Link to this sectionVideo#

La tabella seguente contiene i formati video validi per Ultralytics.

Link to this sectionLavorare con i risultati#

Tutte le chiamate predict() di Ultralytics restituiranno un elenco di oggetti Results:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

Gli oggetti Results hanno i seguenti attributi:

Link to this sectionRisultati per attività#

Ogni predizione restituisce un oggetto Results per immagine o frame. I campi comuni sopra sono sempre disponibili, mentre i dati di predizione specifici per l'attività sono memorizzati nei campi sottostanti. I tensori di coordinate, confidenza e probabilità sono torch.float32 a meno che non venga utilizzata la mezza precisione, nel qual caso sono torch.float16. Dopo result.numpy(), i tensori diventano array NumPy con dtypes NumPy corrispondenti. Le maschere di istanza sono tensori binari torch.uint8, mentre le maschere semantiche utilizzano il dtype intero pratico più piccolo per gli ID di classe: torch.uint8, torch.int16 o torch.int32, a seconda del conteggio delle classi.

Gli oggetti Results hanno i seguenti metodi:

Per maggiori dettagli consulta la documentazione della classe Results.

Link to this sectionBox#

L'oggetto Boxes può essere utilizzato per indicizzare, manipolare e convertire le bounding box in diversi formati.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

Ecco una tabella dei metodi e delle proprietà della classe Boxes, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la documentazione della classe Boxes.

Link to this sectionMaschere#

L'oggetto Masks può essere utilizzato per indicizzare, manipolare e convertire le maschere in segmenti.

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

Ecco una tabella dei metodi e delle proprietà della classe Masks, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la documentazione della classe Masks.

Link to this sectionSemanticMask#

SemanticMask memorizza una mappa di classe densa per i risultati di segmentazione semantica. A differenza di Masks, non contiene una maschera binaria per oggetto e non fornisce helper per i poligoni.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem Semantic model
model = YOLO("yolo26n-sem.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

Link to this sectionKeypoint#

L'oggetto Keypoints può essere utilizzato per indicizzare, manipolare e normalizzare le coordinate.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

Ecco una tabella dei metodi e delle proprietà della classe Keypoints, inclusi nome, tipo e descrizione:

Per ulteriori dettagli, consulta la documentazione della classe Keypoints.

Link to this sectionProbs#

L'oggetto Probs può essere utilizzato per indicizzare, ottenere indici top1 e top5 e punteggi di classificazione.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

Ecco una tabella che riassume i metodi e le proprietà per la classe Probs:

Per ulteriori dettagli, consulta la documentazione della classe Probs.

Link to this sectionOBB#

L'oggetto OBB può essere utilizzato per indicizzare, manipolare e convertire le oriented bounding box in diversi formati.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

Ecco una tabella per i metodi e le proprietà della classe OBB, inclusi nome, tipo e descrizione:

Per ulteriori dettagli, consulta la documentazione della classe OBB.

Link to this sectionVisualizzazione dei risultati#

Il metodo plot() negli oggetti Results facilita la visualizzazione delle predizioni sovrapponendo gli oggetti rilevati (come bounding box, maschere, keypoint e probabilità) sull'immagine originale. Questo metodo restituisce l'immagine annotata come array NumPy, consentendo una facile visualizzazione o il salvataggio.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/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")

Link to this sectionParametri del metodo plot()#

Il metodo plot() supporta vari argomenti per personalizzare l'output:

Link to this sectionInferenza thread-safe#

Garantire la thread safety durante l'inferenza è fondamentale quando esegui più modelli YOLO in parallelo attraverso thread diversi. L'inferenza thread-safe garantisce che le predizioni di ogni thread siano isolate e non interferiscano tra loro, evitando race condition e garantendo output coerenti e affidabili.

Quando usi i modelli YOLO in un'applicazione multi-thread, è importante istanziare oggetti modello separati per ogni thread o impiegare thread-local storage per prevenire conflitti:

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=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

Per uno sguardo approfondito sull'inferenza thread-safe con i modelli YOLO e istruzioni passo dopo passo, fai riferimento alla nostra Guida all'inferenza thread-safe con YOLO. Questa guida ti fornirà tutte le informazioni necessarie per evitare problemi comuni e assicurarti che la tua inferenza multi-thread funzioni senza intoppi.

Link to this sectionCiclo for per sorgenti in streaming#

Ecco uno script Python che utilizza OpenCV (cv2) e YOLO per eseguire l'inferenza sui frame video. Questo script presuppone che tu abbia già installato i pacchetti necessari (opencv-python e ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.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()

Questo script eseguirà le predizioni su ogni frame del video, visualizzerà i risultati e li mostrerà in una finestra. Il ciclo può essere interrotto premendo 'q'.

Link to this sectionFAQ#

Link to this sectionCos'è Ultralytics YOLO e la sua modalità predict per l'inferenza in tempo reale?#

Ultralytics YOLO è un modello allo stato dell'arte per object detection, instance segmentation, semantic segmentation e classificazione in tempo reale. La sua modalità predict consente agli utenti di eseguire inferenza ad alta velocità su varie sorgenti di dati come immagini, video e live stream. Progettata per prestazioni e versatilità, offre anche modalità di elaborazione batch e streaming. Per maggiori dettagli sulle sue funzionalità, consulta la modalità predict di Ultralytics YOLO.

Link to this sectionCome posso eseguire l'inferenza utilizzando Ultralytics YOLO su diverse sorgenti di dati?#

Ultralytics YOLO può elaborare un'ampia gamma di sorgenti di dati, incluse singole immagini, video, directory, URL e stream. Puoi specificare la sorgente dei dati nella chiamata model.predict(). Ad esempio, usa 'image.jpg' per un'immagine locale o 'https://ultralytics.com/images/bus.jpg' per un URL. Dai un'occhiata agli esempi dettagliati per varie sorgenti di inferenza nella documentazione.

Link to this sectionCome posso ottimizzare la velocità di inferenza e l'utilizzo della memoria di YOLO?#

Per ottimizzare la velocità di inferenza e gestire la memoria in modo efficiente, puoi utilizzare la modalità streaming impostando stream=True nel metodo di chiamata del predittore. La modalità streaming genera un generatore efficiente dal punto di vista della memoria di oggetti Results invece di caricare tutti i frame in memoria. Per elaborare video lunghi o grandi dataset, la modalità streaming è particolarmente utile. Scopri di più sulla modalità streaming.

Link to this sectionQuali argomenti di inferenza supporta Ultralytics YOLO?#

Il metodo model.predict() in YOLO supporta vari argomenti come conf, iou, imgsz, device e altri. Questi argomenti ti consentono di personalizzare il processo di inferenza, impostando parametri come soglie di confidenza, dimensione dell'immagine e dispositivo utilizzato per il calcolo. Descrizioni dettagliate di questi argomenti si trovano nella sezione argomenti di inferenza.

Link to this sectionCome posso visualizzare e salvare i risultati delle predizioni YOLO?#

Dopo aver eseguito l'inferenza con YOLO, gli oggetti Results contengono metodi per visualizzare e salvare immagini annotate. Puoi utilizzare metodi come result.show() e result.save(filename="result.jpg") per visualizzare e salvare i risultati. Qualsiasi directory principale mancante nel percorso del nome del file viene creata automaticamente (es. result.save("path/to/result.jpg")). Per un elenco completo di questi metodi, fai riferimento alla sezione lavorare con i risultati.