Esecuzione di predizioni 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 una vasta gamma di origini dati.

Applicazioni nel mondo reale

Produzione	Sport	Sicurezza
Rilevamento pezzi di ricambio veicoli	Rilevamento giocatori di calcio	Rilevamento cadute persone

Perché utilizzare Ultralytics YOLO per l'inferenza?

Ecco perché dovresti considerare 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.
• Prestazioni: Progettato per un'elaborazione ad alta velocità e in tempo reale senza sacrificare l'accuracy.
• Facilità d'uso: Interfacce Python e CLI intuitive per una distribuzione e un test rapidi.
• Altamente personalizzabile: Varie impostazioni e parametri per regolare 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 auto-scaling e monitoraggio, oppure esegui l'inferenza localmente.

Caratteristiche principali della predict mode

La predict mode di YOLO26 è progettata per essere robusta e versatile, con le seguenti caratteristiche:

• Compatibilità con molteplici origini 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 ti copre.
• Modalità 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 batch: Elabora più immagini o fotogrammi video in un unico batch, riducendo ulteriormente il tempo totale di inferenza.
• Facile integrazione: Integrazione semplice 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

Origini di inferenza

YOLO26 può elaborare diversi tipi di origini di input per l'inferenza, come mostrato nella tabella seguente. Le origini includono immagini statiche, flussi video e vari formati di dati. La tabella indica anche se ogni origine può essere utilizzata in modalità streaming con l'argomento stream=True ✅. La modalità streaming è vantaggiosa per l'elaborazione di video o flussi live 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 origine:

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)

Per impostazione predefinita, predict utilizza rect=True, che abilita il padding a rettangolo minimo quando possibile. L'immagine viene scalata per adattarsi all'interno di imgsz e riempita 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 dinamico / Triton). 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 imgsz=640 intero 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

Training accepts only a single integer imgsz (a [h, w] list is coerced to the largest value). Predict and export accept either an integer or a (height, width) tuple.

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 Immagini e Video

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

Immagini

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

Video

La tabella seguente contiene i formati video validi per Ultralytics.

Lavorare 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:

Gli oggetti Results hanno i seguenti metodi:

For more details see the Results class documentation.

Boxes

L'oggetto Boxes può essere utilizzato per indicizzare, manipolare e convertire i 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 per i metodi e le proprietà della classe Boxes, inclusi nome, tipo e descrizione:

For more details see the Boxes class documentation.

Masks

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 per i metodi e le proprietà della classe Masks, inclusi nome, tipo e descrizione:

Per ulteriori dettagli, consulta la documentazione della classe Masks.

Keypoints

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.

Probs

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

Per ulteriori dettagli, consulta la documentazione della classe Probs.

OBB

L'oggetto OBB può essere utilizzato per indicizzare, manipolare e convertire i bounding box orientati 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 dei metodi e delle proprietà della classe OBB, inclusi nome, tipo e descrizione:

Per ulteriori dettagli, consulta la documentazione della classe OBB.

Visualizzazione dei risultati

Il metodo plot() negli oggetti Results facilita la visualizzazione delle predizioni sovrapponendo gli oggetti rilevati (come bounding box, 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")

Parametri del metodo plot()

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

Inferenza Thread-Safe

Garantire la sicurezza dei thread durante l'inferenza è fondamentale quando si eseguono più modelli YOLO in parallelo su thread diversi. L'inferenza thread-safe garantisce che le predizioni di ciascun 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 utilizzare lo storage locale al 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 sull'inferenza thread-safe con i modelli YOLO e istruzioni passo-passo, consulta la nostra Guida all'Inferenza Thread-Safe di YOLO. Questa guida ti fornirà tutte le informazioni necessarie per evitare problemi comuni e assicurarti che la tua inferenza multi-thread funzioni correttamente.

Ciclo for per sorgente 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'.

FAQ

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

Ultralytics YOLO è un modello all'avanguardia per object detection, instance segmentation, semantic segmentation e classification 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 stream live. Progettata per prestazioni e versatilità, offre anche modalità di elaborazione batch e in streaming. Per maggiori dettagli sulle sue funzionalità, consulta la modalità predict di Ultralytics YOLO.

Come posso eseguire l'inferenza utilizzando Ultralytics YOLO su diverse sorgenti di dati?

Ultralytics YOLO può elaborare un'ampia gamma di sorgenti di dati, tra cui singole immagini, video, directory, URL e stream. Puoi specificare la sorgente 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.

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

Quali 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, dimensioni dell'immagine e il dispositivo utilizzato per il calcolo. Descrizioni dettagliate di questi argomenti si trovano nella sezione argomenti di inferenza.

Come posso visualizzare e salvare i risultati delle predizioni di YOLO?

Dopo aver eseguito l'inferenza con YOLO, gli oggetti Results contengono metodi per visualizzare e salvare le immagini annotate. Puoi utilizzare metodi come result.show() e result.save(filename="result.jpg") per visualizzare e salvare i risultati. Eventuali directory parenti mancanti nel percorso del file vengono create automaticamente (ad esempio, result.save("path/to/result.jpg")). Per un elenco completo di questi metodi, fai riferimento alla sezione lavorare con i risultati.