Predizione del modello con Ultralytics YOLO

Introduzione

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

Applicazioni nel mondo reale

Perché usare Ultralytics YOLO per l'inferenza?

Ecco perché dovresti considerare la predict mode di YOLO26 per le tue diverse esigenze di inferenza:

• Versatilità: Capace di eseguire l'inferenza su immagini, video e persino live stream.
• Prestazioni: Progettato per un'elaborazione in tempo reale ad alta velocità senza sacrificare la precisione.
• Facilità d'uso: Interfacce intuitive Python e CLI per una distribuzione e un test rapidi.
• Altamente personalizzabile: Varie impostazioni e parametri per regolare il comportamento di inferenza del modello in base alle tue specifiche esigenze.
• Pronto per la produzione: Distribuisci i modelli come endpoint API su Ultralytics Platform con auto-scaling e monitoraggio, oppure esegui l'inferenza localmente.

Funzionalità chiave della Predict Mode

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

• Compatibilità con molteplici fonti dati: Che i tuoi dati siano sotto forma di singole immagini, una raccolta di immagini, file video o flussi video in tempo reale, la predict mode ti copre.
• Streaming Mode: Usa la funzionalità di streaming per generare un generatore efficiente in termini di memoria di oggetti Results . Abilitalo 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.
• Facilità di integrazione: 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 efficiente in termini di memoria di oggetti Results 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

Fonti di inferenza

YOLO26 può elaborare diversi tipi di fonti di input per l'inferenza, come mostrato nella tabella seguente. Le fonti includono immagini statiche, flussi video e vari formati di dati. La tabella indica anche se ogni fonte può essere utilizzata in streaming mode con l'argomento stream=True ✅. La streaming mode è utile per l'elaborazione di video o flussi in tempo reale 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

Argomenti di inferenza

model.predict() accetta molteplici argomenti che possono essere passati al momento dell'inferenza per sovrascrivere le impostazioni predefinite:

Forma fissa vs rettangolo minimo (rect)

Di default, predict usa rect=True, che abilita minimum-rectangle padding quando possibile. L'immagine viene scalata per adattarsi all'interno di imgsz e riempita solo fino al multiplo dello stride più vicino, quindi il tensore finale potrebbe essere più piccolo di imgsz. Il padding del rettangolo minimo viene usato solo quando tutte le immagini nel batch hanno la stessa forma e il backend lo supporta (PyTorch .pt, o ONNX / Triton dinamico). Altrimenti, le immagini vengono riempite fino al pieno imgsz target.

Usa rect=False per riempire sempre fino al target imgsz pieno. Questo è raccomandato 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 della 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 [h, w] lista viene forzata al valore più grande). Predict ed export accettano sia un intero che una (height, width) tupla.

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:

Formati di Immagine e Video

YOLO26 supporta vari formati di immagine e video, come specificato in ultralytics/data/utils.py. Consulta le tabelle seguenti per i suffissi validi e i comandi di predizione di esempio.

Immagini

La tabella sottostante contiene i formati immagine validi di Ultralytics.

Video

La tabella sottostante contiene i formati video validi di Ultralytics.

Lavorare con i Risultati

Tutte le chiamate Ultralytics predict() restituiranno una lista 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

Results gli oggetti hanno i seguenti attributi:

Results gli oggetti hanno i seguenti metodi:

Per maggiori dettagli consulta la Results documentazione della classe.

Boxes

Boxes L'oggetto può essere utilizzato per indicizzare, manipolare e convertire i BBox in formati diversi.

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 per la Boxes metodi e proprietà della classe, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la Boxes documentazione della classe.

Masks

Masks L'oggetto 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 per la Masks metodi e proprietà della classe, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la Masks documentazione della classe.

Keypoints

Keypoints L'oggetto 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 per la Keypoints metodi e proprietà della classe, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la Keypoints documentazione della classe.

Probs

Probs L'oggetto può essere utilizzato per indicizzare, ottenere top1 e della top5 indici e punteggi della 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 Probs classe:

Per maggiori dettagli consulta la Probs documentazione della classe.

OBB

OBB L'oggetto può essere utilizzato per indicizzare, manipolare e convertire i BBox orientati in formati diversi.

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 la OBB metodi e proprietà della classe, inclusi nome, tipo e descrizione:

Per maggiori dettagli consulta la OBB documentazione della classe.

Visualizzazione dei risultati

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

plot() Parametri del metodo

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

Inferenza Thread-Safe

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

Quando utilizzi modelli YOLO in un'applicazione multi-thread, è importante istanziare oggetti modello separati per ogni thread o impiegare lo storage locale del thread 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 all'inferenza thread-safe con i modelli YOLO e istruzioni dettagliate, ti preghiamo di consultare la nostra Guida all'inferenza YOLO Thread-Safe. Questa guida ti fornirà tutte le informazioni necessarie per evitare le insidie comuni e assicurare che la tua inferenza multi-thread funzioni senza problemi.

Ciclo sorgente in streaming for-loop

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 della 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'.

FAQ

Cos'è Ultralytics YOLO e la sua modalità predict per l'inferenza in tempo reale?

Ultralytics YOLO è un modello all'avanguardia per l'inferenza in tempo reale object detection, segmentazione e classificazione. La sua predict mode consente agli utenti di eseguire inferenza ad alta velocità su varie fonti di dati come immagini, video e streaming live. Progettato per prestazioni e versatilità, offre anche modalità di elaborazione batch e streaming. Per maggiori dettagli sulle sue funzionalità, dai un'occhiata alla modalità Ultralytics YOLO predict.

Come posso eseguire l'inferenza usando Ultralytics YOLO su diverse origini dati?

Ultralytics YOLO può elaborare un'ampia gamma di origini dati, inclusi singole immagini, video, directory, URL e stream. Puoi specificare l'origine dati nella chiamata model.predict() chiamata. 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 origini di inferenza nella documentazione.

Come 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 usare la modalità streaming impostando stream=True nel metodo di chiamata del predictor. La modalità streaming genera un generatore efficiente dal punto di vista della memoria di Results oggetti invece di caricare tutti i fotogrammi in memoria. Per l'elaborazione di video lunghi o dataset di grandi dimensioni, la modalità streaming è particolarmente utile. Scopri di più sulla modalità streaming.

Quali argomenti di inferenza supporta Ultralytics YOLO?

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

Come posso visualizzare e salvare i risultati delle previsioni YOLO?

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