Previsione del modello con Ultralytics YOLO#

Introduzione#

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

Applicazioni nel mondo reale#

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

Perché 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: Progettato per un'elaborazione ad alta velocità in tempo reale senza sacrificare l'accuracy.
• 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 Ultralytics Platform inference endpoints con scalabilità automatica e monitoraggio, oppure esegui l'inferenza localmente.

Caratteristiche 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 streaming: Usa la funzionalità di streaming per generare un generatore efficiente in termini di memoria di oggetti Results. Abilitala impostando stream=True nel metodo di chiamata del predittore. A differenza del comportamento predefinito (stream=False), che restituisce un elenco contenente tutti i risultati, stream=True restituisce i risultati uno alla volta, risultando particolarmente utile per video lunghi e streaming live.
• 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 un elenco Python di oggetti Results o un generatore efficiente in termini di memoria di oggetti Results quando viene passato stream=True 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 ciascuna fonte può essere utilizzata in modalità streaming con l'argomento stream=True ✅. La modalità streaming è vantaggiosa per l'elaborazione di video o streaming live poiché crea un generatore di risultati anziché 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 rispetto al rettangolo minimo (rect)#

Per impostazione predefinita, predict utilizza rect=True, che abilita il padding a rettangolo minimo quando possibile. L'immagine viene ridimensionata per rientrare in imgsz e imbottita solo fino al multiplo dello 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 imbottite fino al target completo imgsz.

Usa rect=False per applicare sempre il padding 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 rispetto a 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

Il training accetta solo un singolo intero imgsz (un elenco [h, w] viene convertito nel valore più grande). Predict ed export accettano un intero o 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:

Formati di immagini e video#

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

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:

Risultati per attività#

Quali campi vengono popolati di seguito dipende dal task del tuo modello — confronta detection, segmentation, semantic segmentation, depth estimation, classification, pose e OBB se non ne hai ancora scelto uno. Ogni predizione restituisce un oggetto Results per immagine o fotogramma. I campi comuni sopra indicati sono sempre disponibili, mentre i dati di predizione specifici del task sono memorizzati nei campi sottostanti. I tensori di coordinate, confidenza e probabilità sono torch.float32 a meno che non venga utilizzata la precisione dimezzata, nel qual caso sono torch.float16. Dopo result.numpy(), i tensori diventano array NumPy con dtype 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 numero di classi.

Gli oggetti Results hanno i seguenti metodi:

Per maggiori dettagli consulta la documentazione della classe Results.

Box#

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:

Per maggiori dettagli consulta la documentazione della classe Boxes.

Maschere#

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 maggiori dettagli consulta la documentazione della classe Masks.

SemanticMask#

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

Keypoint#

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

Per maggiori dettagli consulta la documentazione della classe Keypoints.

Probs#

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

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

Per maggiori 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, keypoint e probabilità) sull'immagine originale. Questo metodo restituisce l'immagine annotata come un 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 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 dettagliate, fai riferimento alla nostra Guida all'inferenza thread-safe di YOLO. Questa guida ti fornirà tutte le informazioni necessarie per evitare errori comuni e assicurarti che la tua inferenza multithread funzioni senza intoppi.

Ciclo for della fonte di streaming#

Ecco uno script Python che utilizza OpenCV (cv2) e YOLO per eseguire l'inferenza sui fotogrammi 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'.

Cosa succede dopo#

Pronto a superare un modello preaddestrato? Conferma che il tuo task si adatti al tuo problema, formatta i tuoi dati con la guida ai Dataset, quindi addestra su di essi.

FAQ#

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

Ultralytics YOLO è un modello allo stato dell'arte per l'object detection, l'instance segmentation, la semantic segmentation, la depth estimation e la classification in tempo reale. La sua predict mode consente agli utenti di eseguire inferenze ad alta velocità su varie fonti di dati come immagini, video e streaming live. Progettato per prestazioni e versatilità, offre anche modalità di elaborazione in batch e streaming. Per maggiori dettagli sulle sue funzionalità, controlla 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 fonti di dati, tra cui immagini individuali, video, directory, URL e flussi. Puoi specificare la fonte 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. Controlla gli esempi dettagliati per varie fonti 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 predittore. La modalità streaming genera un generatore efficiente in termini di memoria di oggetti Results anziché 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 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 le soglie di confidenza, la dimensione dell'immagine e il dispositivo utilizzato per il calcolo. Descrizioni dettagliate di questi argomenti si trovano nella sezione argomenti di inferenza.

Come estraggo gli embedding da un modello YOLO?#

Usa model.embed(source) per estrarre embedding di caratteristiche dal penultimo strato, oppure passa embed=[layer_index] a model.predict() per scegliere strati specifici.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://ultralytics.com/images/bus.jpg"

results = model.predict(source)  # Results objects
embeddings = model.embed(source)  # list of torch.Tensor embeddings

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

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