Inferenza#

Ultralytics Platform offre un'inferenza basata su browser per testare modelli addestrati e endpoint dedicati per l'accesso programmatico.

Scheda Predici#

Ogni modello con pesi include una scheda Predict per l'inferenza basata su browser:

1. Naviga verso il tuo modello
2. Fai clic sulla scheda Predict
3. Carica un'immagine, usa un esempio o apri la tua webcam
4. Esamina la sovrapposizione specifica per il task, il sommario delle predizioni, i tempi e la risposta grezza

I modelli senza pesi mostrano invece uno stato vuoto: addestra prima il modello o carica i pesi.

Metodi di input#

Il pannello di previsione supporta molteplici metodi di input:

graph LR
    A[Upload Image]:::start --> D[Auto-Inference]:::proc
    B[Example Image]:::start --> D
    C[Webcam Capture]:::start --> D
    D --> E[Results + Overlays]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Carica immagine#

Trascina o fai clic per caricare:

• Formati supportati: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP
• Dimensione massima: 10 MB
• Auto-inferenza: I risultati appaiono automaticamente dopo il caricamento

Immagini di esempio#

Il pannello di previsione mostra fino a due immagini di esempio dal dataset collegato del modello, preferendo la suddivisione val, poi test, infine train. Se nessun dataset è collegato, vengono usati gli esempi predefiniti:

Per i modelli OBB, vengono invece mostrate immagini aeree di barche e di un aeroporto.

Webcam#

Fai clic sulla scheda della webcam per avviare un feed della telecamera dal vivo:

1. Concedi l'autorizzazione per la fotocamera quando richiesto
2. Fai clic sull'anteprima video per acquisire un fotogramma
3. L'inferenza viene eseguita automaticamente sul fotogramma acquisito
4. Fai clic di nuovo per riavviare la webcam

Visualizza risultati#

I risultati dell'inferenza mostrano l'output appropriato per il task del modello: box, maschere, keypoint, box orientati, punteggi di classificazione, copertura semantica o una mappa di profondità. I risultati degli oggetti utilizzano i colori delle classi del dataset quando disponibili. Il pannello mostra anche i tempi di preprocessamento, inferenza, post-processamento e rete.

Il pannello dei risultati mostra:

Due controlli si trovano sopra l'anteprima una volta ottenuti i risultati: fai clic sull'immagine per ingrandirla con le sovrapposizioni intatte e usa il pulsante di download per salvare un JPEG annotato del risultato corrente.

Parametri di inferenza#

Regola il comportamento dell'inferenza con i tre cursori sotto l'immagine:

Soglia di confidenza#

Filtra le previsioni in base alla confidenza:

• Più alta (0.5+): Previsioni meno numerose, ma più certe
• Più bassa (0.1-0.25): Più previsioni, presenza di rumore
• Predefinita (0.25): Bilanciata per la maggior parte dei casi d'uso

Soglia IoU#

Controlla la soppressione dei non massimi (NMS):

• Più alta (0.7+): Consenti più riquadri sovrapposti
• Inferiore (0.3-0.5): Sopprimi i rilevamenti sovrapposti in modo più aggressivo
• Predefinita (0.7): Comportamento NMS bilanciato per la maggior parte dei casi d'uso

Previsione su deployment#

Ogni endpoint dedicato in esecuzione include una scheda Predict direttamente sulla sua scheda di deployment. Questo utilizza il servizio di inferenza del deployment anziché il servizio di predizione condiviso, permettendoti di testare l'endpoint distribuito dal browser.

API per endpoint dedicato#

La scheda API Docs nel tab del modello Predict contiene richieste di esempio in Python, JavaScript e cURL, precompilate con confidenza, IoU e dimensione dell'immagine attualmente impostate sui cursori. L'URL e la chiave sono segnaposto fino a quando non distribuisci il modello; un pulsante Deploy accanto alle schede di codice passa alla scheda Deploy del modello. Dopo la distribuzione, la scheda Code della scheda di distribuzione inserisce l'URL di quell'endpoint e, per i proprietari dello spazio di lavoro, la chiave API associata, pronta per essere copiata ed eseguita.

Autenticazione#

Includi la tua chiave API nelle richieste:

Authorization: Bearer YOUR_API_KEY

Endpoint#

Gli endpoint dedicati ricevono richieste sul proprio URL:

POST https://YOUR_DEPLOYMENT_URL.run.app/predict

L'inferenza condivisa utilizza la Platform API con il percorso completo del modello:

POST https://platform.ultralytics.com/api/models/{owner}/{project}/{model}/predict

Entrambi accettano lo stesso corpo multipart/form-data e restituiscono la stessa forma di risposta. Con il Python SDK, usa client.models.predict(owner, project, model, body=...) per l'inferenza condivisa o client.deployments.predict(owner, deployment, body=...) per un deployment dedicato:

from ultralytics_platform import Platform

client = Platform()  # reads ULTRALYTICS_API_KEY
with open("image.jpg", "rb") as f:
    results = client.models.predict("acme-vision", "inspection", "v3", body={"file": f, "conf": 0.25})

Richiesta#

import requests

url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as image_file:
    response = requests.post(url, headers=headers, files={"file": image_file}, data=data)
print(response.json())

Parametri della richiesta#

Risposta#

{
    "images": [
        {
            "shape": [1080, 1920],
            "results": [
                {
                    "class": 0,
                    "name": "person",
                    "confidence": 0.92,
                    "box": { "x1": 100, "y1": 50, "x2": 300, "y2": 400 }
                },
                {
                    "class": 2,
                    "name": "car",
                    "confidence": 0.87,
                    "box": { "x1": 400, "y1": 200, "x2": 600, "y2": 350 }
                }
            ],
            "speed": {
                "preprocess": 1.2,
                "inference": 12.5,
                "postprocess": 2.3
            }
        }
    ],
    "metadata": {
        "imageCount": 1,
        "functionTimeAlive": 1284.51,
        "functionTimeCall": 0.018,
        "task": "detect",
        "version": {
            "ultralytics": "8.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Campi di risposta#

Risposte specifiche per attività#

Il formato della risposta varia a seconda dell'attività:

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400}
}

Limiti di frequenza#

L'API del modello condiviso è limitata a 20 richieste/minuto per ciascuna chiave API, chiamante autenticato o IP anonimo. Quando viene limitata, l'API restituisce 429 con un'intestazione Retry-After. Consulta la guida di riferimento sui limiti di frequenza completa per tutte le categorie di endpoint.

Gestione errori#

Risposte di errore comuni:

FAQ#