コンテンツへスキップ

YOLO 推論API

YOLO Inference API では、RESTful API を介してYOLOv8 のオブジェクト検出機能にアクセスできます。これにより、YOLOv8 環境をローカルにインストールしてセットアップしなくても、画像上でオブジェクト検出を実行できるようになります。

推論API スクリーンショット 学習済みモデルプレビュータブの推論APIセクションのスクリーンショット。

API URL

API URLは、YOLO Inference APIにアクセスするためのアドレスである。この場合、ベースURLは

https://api.ultralytics.com/v1/predict

使用例Python

Python を使って、指定したモデルとAPIキーでYOLO Inference APIにアクセスするには、以下のコードを使うことができる:

import requests

# API URL, use actual MODEL_ID
url = f"https://api.ultralytics.com/v1/predict/MODEL_ID"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (optional)
data = {"size": 640, "confidence": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"image": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

この例では API_KEY を実際のAPIキーに置き換えてください、 MODEL_ID を希望のモデルIDで指定し path/to/image.jpg に解析したい画像のパスを指定します。

cURLでの使用例

クライアントURL(cURL)を使用して、YOLO Inference APIを使用することができます。 curl コマンドを使用する。置換 API_KEY を実際のAPIキーに置き換えてください、 MODEL_ID を希望のモデルIDで指定し image.jpg に解析したい画像のパスを指定します:

curl -X POST "https://api.ultralytics.com/v1/predict/MODEL_ID" \
    -H "x-api-key: API_KEY" \
    -F "image=@/path/to/image.jpg" \
    -F "size=640" \
    -F "confidence=0.25" \
    -F "iou=0.45"

引数を渡す

このコマンドは、YOLO Inference API に、指定された MODEL_ID URLと API_KEY リクエスト headersで指定された画像ファイルとともに @path/to/image.jpg.

を渡す例である。 size, confidenceそして iou 引数は requests ライブラリPython :

import requests

# API URL, use actual MODEL_ID
url = f"https://api.ultralytics.com/v1/predict/MODEL_ID"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (optional)
data = {"size": 640, "confidence": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"image": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

この例では data 辞書にはクエリ引数が含まれる。 size, confidenceそして iouこれは画像サイズ640で、信頼度とIoUのしきい値を0.25と0.45にして推論を実行するようAPIに指示する。

これは、POSTリクエストでファイルと共にクエリパラメータを送信します。使用可能な推論引数の一覧は、以下の表を参照してください。

推論 デフォルト タイプ 備考
size 640 int 有効範囲は 32 - 1280 ピクセル
confidence 0.25 float 有効範囲は 0.01 - 1.0
iou 0.45 float 有効範囲は 0.0 - 0.95
url '' str 画像ファイルが渡されない場合、オプションの画像URL
normalize False bool

JSON形式を返す

YOLO Inference APIは、検出結果のJSONリストを返す。JSONリストのフォーマットは、ローカルで results[0].tojson() コマンドを使用している。

JSONリストには、検出されたオブジェクトに関する情報、座標、クラス、信頼度スコアが含まれる。

モデル形式の検出

YOLO などの検出モデルがある。 yolov8n.ptPython これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。

モデルのJSONレスポンスを検出する

from ultralytics import YOLO

# Load model
model = YOLO('yolov8n.pt')

# Run inference
results = model('image.jpg')

# Print image.jpg results in JSON format
print(results[0].tojson())
curl -X POST "https://api.ultralytics.com/v1/predict/MODEL_ID" \
    -H "x-api-key: API_KEY" \
    -F "image=@/path/to/image.jpg" \
    -F "size=640" \
    -F "confidence=0.25" \
    -F "iou=0.45"
import requests

# API URL, use actual MODEL_ID
url = f"https://api.ultralytics.com/v1/predict/MODEL_ID"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (optional)
data = {"size": 640, "confidence": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"image": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())
{
  "success": True,
  "message": "Inference complete.",
  "data": [
    {
      "name": "person",
      "class": 0,
      "confidence": 0.8359682559967041,
      "box": {
        "x1": 0.08974208831787109,
        "y1": 0.27418340047200523,
        "x2": 0.8706787109375,
        "y2": 0.9887352837456598
      }
    },
    {
      "name": "person",
      "class": 0,
      "confidence": 0.8189555406570435,
      "box": {
        "x1": 0.5847355842590332,
        "y1": 0.05813225640190972,
        "x2": 0.8930277824401855,
        "y2": 0.9903111775716146
      }
    },
    {
      "name": "tie",
      "class": 27,
      "confidence": 0.2909725308418274,
      "box": {
        "x1": 0.3433395862579346,
        "y1": 0.6070465511745877,
        "x2": 0.40964522361755373,
        "y2": 0.9849439832899306
      }
    }
  ]
}

セグメント・モデルのフォーマット

YOLO セグメンテーションモデル yolov8n-seg.ptPython これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。

セグメントモデルJSONレスポンス

from ultralytics import YOLO

# Load model
model = YOLO('yolov8n-seg.pt')

# Run inference
results = model('image.jpg')

# Print image.jpg results in JSON format
print(results[0].tojson())
curl -X POST "https://api.ultralytics.com/v1/predict/MODEL_ID" \
    -H "x-api-key: API_KEY" \
    -F "image=@/path/to/image.jpg" \
    -F "size=640" \
    -F "confidence=0.25" \
    -F "iou=0.45"
import requests

# API URL, use actual MODEL_ID
url = f"https://api.ultralytics.com/v1/predict/MODEL_ID"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (optional)
data = {"size": 640, "confidence": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"image": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

備考 segments x そして y 長さはオブジェクトによって異なる。大きなオブジェクトや複雑なオブジェクトでは、セグメント点の数が多くなることがあります。

{
  "success": True,
  "message": "Inference complete.",
  "data": [
    {
      "name": "person",
      "class": 0,
      "confidence": 0.856913149356842,
      "box": {
        "x1": 0.1064866065979004,
        "y1": 0.2798851860894097,
        "x2": 0.8738358497619629,
        "y2": 0.9894873725043403
      },
      "segments": {
        "x": [
          0.421875,
          0.4203124940395355,
          0.41718751192092896
          ...
        ],
        "y": [
          0.2888889014720917,
          0.2916666567325592,
          0.2916666567325592
          ...
        ]
      }
    },
    {
      "name": "person",
      "class": 0,
      "confidence": 0.8512625694274902,
      "box": {
        "x1": 0.5757311820983887,
        "y1": 0.053943040635850696,
        "x2": 0.8960096359252929,
        "y2": 0.985154045952691
      },
      "segments": {
        "x": [
          0.7515624761581421,
          0.75,
          0.7437499761581421
          ...
        ],
        "y": [
          0.0555555559694767,
          0.05833333358168602,
          0.05833333358168602
          ...
        ]
      }
    },
    {
      "name": "tie",
      "class": 27,
      "confidence": 0.6485961675643921,
      "box": {
        "x1": 0.33911995887756347,
        "y1": 0.6057066175672743,
        "x2": 0.4081430912017822,
        "y2": 0.9916408962673611
      },
      "segments": {
        "x": [
          0.37187498807907104,
          0.37031251192092896,
          0.3687500059604645
          ...
        ],
        "y": [
          0.6111111044883728,
          0.6138888597488403,
          0.6138888597488403
          ...
        ]
      }
    }
  ]
}

ポーズモデル形式

YOLO などのポーズモデル yolov8n-pose.ptPython これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。これらのメソッドはすべて、同じJSONレスポンス・フォーマットを生成する。

ポーズモデルJSONレスポンス

from ultralytics import YOLO

# Load model
model = YOLO('yolov8n-seg.pt')

# Run inference
results = model('image.jpg')

# Print image.jpg results in JSON format
print(results[0].tojson())
curl -X POST "https://api.ultralytics.com/v1/predict/MODEL_ID" \
    -H "x-api-key: API_KEY" \
    -F "image=@/path/to/image.jpg" \
    -F "size=640" \
    -F "confidence=0.25" \
    -F "iou=0.45"
import requests

# API URL, use actual MODEL_ID
url = f"https://api.ultralytics.com/v1/predict/MODEL_ID"

# Headers, use actual API_KEY
headers = {"x-api-key": "API_KEY"}

# Inference arguments (optional)
data = {"size": 640, "confidence": 0.25, "iou": 0.45}

# Load image and send request
with open("path/to/image.jpg", "rb") as image_file:
    files = {"image": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

COCO-keypointsで事前訓練されたモデルは、17個の人間のキーポイントを持つ。その visible の部分は、キーポイントが見えるか見えないかを示す。不明瞭なキーポイントは、画像の外側にあるか、または見えない可能性があります。

{
  "success": True,
  "message": "Inference complete.",
  "data": [
    {
      "name": "person",
      "class": 0,
      "confidence": 0.8439509868621826,
      "box": {
        "x1": 0.1125,
        "y1": 0.28194444444444444,
        "x2": 0.7953125,
        "y2": 0.9902777777777778
      },
      "keypoints": {
        "x": [
          0.5058594942092896,
          0.5103894472122192,
          0.4920862317085266
          ...
        ],
        "y": [
          0.48964157700538635,
          0.4643048942089081,
          0.4465252459049225
          ...
        ],
        "visible": [
          0.8726999163627625,
          0.653947651386261,
          0.9130823612213135
          ...
        ]
      }
    },
    {
      "name": "person",
      "class": 0,
      "confidence": 0.7474289536476135,
      "box": {
        "x1": 0.58125,
        "y1": 0.0625,
        "x2": 0.8859375,
        "y2": 0.9888888888888889
      },
      "keypoints": {
        "x": [
          0.778544008731842,
          0.7976160049438477,
          0.7530890107154846
          ...
        ],
        "y": [
          0.27595141530036926,
          0.2378823608160019,
          0.23644638061523438
          ...
        ],
        "visible": [
          0.8900790810585022,
          0.789978563785553,
          0.8974530100822449
          ...
        ]
      }
    }
  ]
}



作成日:2024-01-23 更新日:2024-02-13
著者:glenn-jocher(3),priytosh-tripathi(1)

コメント