YOLO 추론 API

YOLO 추론 API를 사용하면 RESTful API를 통해 YOLOv8 객체 감지 기능에 액세스할 수 있습니다. 이를 통해 YOLOv8 환경을 로컬에 설치 및 설정할 필요 없이 이미지에서 객체 감지를 실행할 수 있습니다.

추론 API 스크린샷 학습된 모델 미리보기 탭의 추론 API 섹션 스크린샷.

Watch: Ultralytics HUB 추론 API 연습

API URL

API URL은 YOLO 추론 API에 액세스하는 데 사용되는 주소입니다. 이 경우 기본 URL은 다음과 같습니다:

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

사용 예 Python

Python 을 사용하여 지정된 모델 및 API 키로 YOLO 추론 API에 액세스하려면 다음 코드를 사용할 수 있습니다:

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())

이 예제에서는 API_KEY 를 실제 API 키와 함께 사용하세요, MODEL_ID 를 원하는 모델 ID와 함께 path/to/image.jpg 를 분석하려는 이미지의 경로와 함께 입력합니다.

cURL 사용 예시

클라이언트 URL(cURL)을 사용하여 YOLO 추론 API를 사용할 수 있습니다. curl 명령을 실행합니다. Replace API_KEY 를 실제 API 키와 함께 사용하세요, MODEL_ID 를 원하는 모델 ID와 함께 image.jpg 를 분석하려는 이미지의 경로와 함께 입력합니다:

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"

인수 전달

이 명령은 지정된 문자열을 사용하여 YOLO 추론 API에 POST 요청을 보냅니다. MODEL_ID 를 URL에 추가하고 API_KEY 요청에서 headers에 지정된 이미지 파일과 함께 @path/to/image.jpg.

다음은 size, confidence및 iou 인수를 사용하여 API URL을 통해 requests 라이브러리에서 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())

이 예제에서는 data 사전에는 쿼리 인수가 포함됩니다. size, confidence및 iou를 사용하여 이미지 크기 640에서 신뢰도 0.25 및 0.45의 IoU 임계값으로 추론을 실행하도록 API에 지시합니다.

이렇게 하면 쿼리 매개변수가 POST 요청의 파일과 함께 전송됩니다. 사용 가능한 추론 인수의 전체 목록은 아래 표를 참조하세요.

추론 인수	기본값	유형	참고
`size`	`640`	`int`	유효한 범위는 `32` - `1280` 픽셀
`confidence`	`0.25`	`float`	유효한 범위는 `0.01` - `1.0`
`iou`	`0.45`	`float`	유효한 범위는 `0.0` - `0.95`
`url`	`''`	`str`	이미지 파일이 전달되지 않은 경우 선택적 이미지 URL
`normalize`	`False`	`bool`

JSON 형식 반환

YOLO 추론 API는 탐지 결과가 포함된 JSON 목록을 반환합니다. JSON 목록의 형식은 로컬에서 생성된 것과 동일합니다. results[0].tojson() 명령을 사용합니다.

JSON 목록에는 감지된 객체, 좌표, 클래스 및 신뢰도 점수에 대한 정보가 포함되어 있습니다.

모델 형식 감지

YOLO 탐지 모델과 같은 yolov8n.pt는 로컬 추론, cURL 추론 및 Python 추론에서 JSON 응답을 반환할 수 있습니다. 이 모든 메서드는 동일한 JSON 응답 형식을 생성합니다.

모델 JSON 응답 감지

ultralyticscURLPythonJSON 응답

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
      }
    }
  ]
}

세그먼트 모델 형식

YOLO 세분화 모델과 같은 yolov8n-seg.pt는 로컬 추론, cURL 추론 및 Python 추론에서 JSON 응답을 반환할 수 있습니다. 이 모든 메서드는 동일한 JSON 응답 형식을 생성합니다.

세그먼트 모델 JSON 응답

ultralyticscURLPythonJSON 응답

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())

참고 segments x 그리고 y 길이는 객체마다 다를 수 있습니다. 더 크거나 복잡한 객체일수록 세그먼트 포인트가 더 많을 수 있습니다.

{
  "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
          ...
        ]
      }
    }
  ]
}

포즈 모델 형식

YOLO 포즈 모델과 같은 yolov8n-pose.pt는 로컬 추론, cURL 추론 및 Python 추론에서 JSON 응답을 반환할 수 있습니다. 이 모든 메서드는 동일한 JSON 응답 형식을 생성합니다.

포즈 모델 JSON 응답

ultralyticscURLPythonJSON 응답

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())

참고 COCO-키포인트 사전 학습 모델에는 17개의 인간 키포인트가 있습니다. 그리고 visible 키포인트의 일부는 키포인트가 보이는지 또는 가려져 있는지를 나타냅니다. 가려진 키포인트는 이미지 외부에 있거나 사람의 시선이 카메라를 향하지 않는 등 보이지 않을 수 있습니다.

{
  "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
          ...
        ]
      }
    }
  ]
}

생성 2024-01-23, 업데이트 2024-03-06
작성자: 리즈완 무나와르 (1), 글렌 조처 (3), 프리토시 트리파티 (1)

YOLO 추론 API

API URL

사용 예 Python

cURL 사용 예시

인수 전달

JSON 형식 반환

모델 형식 감지

세그먼트 모델 형식

포즈 모델 형식

댓글