추론

Ultralytics Platform 훈련된 모델 테스트를 위한 추론 API를 제공합니다. 브라우저 기반 Predict 탭을 눌러 빠르게 확인하거나 REST API 프로그램 방식 접근을 위해.

예측 탭

모든 모델에는 포함됩니다. Predict 브라우저 기반 추론을 위한 탭:

1. 모델로 이동
2. 예측 탭을 클릭하세요
3. 이미지를 업로드하거나, 예시를 사용하거나, 웹캠을 켜세요
4. 바운딩 박스 오버레이로 예측 결과를 즉시 확인하세요

입력 방법

예측 패널은 여러 입력 방식을 지원합니다:

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

    style D fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

이미지 업로드

드래그 앤 드롭 또는 클릭하여 업로드:

• 지원되는 형식: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP, DNG, MPO
• 최대 크기: 10MB
• 자동 추론: 업로드 후 결과가 자동으로 표시됩니다

예시 이미지

예측 패널에는 모델에 연결된 데이터 세트의 예시 이미지가 표시됩니다. 데이터 세트가 연결되지 않은 경우 기본 예시가 사용됩니다:

OBB 모델의 경우, 대신 보트와 공항의 항공 사진이 표시됩니다.

웹캠

웹캠 카드를 클릭하여 실시간 카메라 영상을 시작하세요:

1. 카메라 권한 요청 시 허용하세요
2. 동영상 미리보기를 클릭하여 프레임을 캡처하세요
3. 추론은 캡처된 프레임에서 자동으로 실행됩니다
4. 다시 클릭하여 웹캠을 재시작하세요

결과 보기

추론 결과 표시:

• SVG 오버레이로 표시된 클래스 레이블이 있는 바운딩 박스
• 각 감지에 대한 신뢰도 점수
• 데이터 세트의 색상 팔레트(또는 Ultralytics 팔레트)에서 클래스 색상
• 속도 분해: 전처리, 추론, 후처리 및 네트워크 시간

결과 패널에는 다음과 같이 표시됩니다:

추론 매개변수

접을 수 있는 매개변수 섹션의 매개변수를 사용하여 감지 동작을 조정하십시오:

신뢰도 임계값

신뢰도에 따라 예측 필터링:

• 높음 (0.5 이상): 더 적고, 더 확실한 예측
• 낮음 (0.1-0.25): 더 많은 예측, 일부 노이즈 포함
• 기본값 (0.25): 대부분의 사용 사례에 균형 잡힘

IoU 임계값

NMS 제어:

• 높음 (0.7+): 더 많은 상자 중첩 허용
• 낮음 (0.3-0.5): 인접한 탐지 결과를 더 적극적으로 병합
• 기본값 (0.70): 대부분의 사용 사례에 대해 균형 잡힌 NMS

배포 예측

각 실행 전용 엔드포인트 포함한다 Predict 배포 카드에서 직접 탭합니다. 이는 공유 예측 서비스 대신 배포 자체의 추론 서비스를 사용하므로, 브라우저에서 배포된 엔드포인트를 테스트할 수 있습니다.

REST API

추론을 프로그래밍 방식으로 액세스:

인증

요청에 API 키 포함:

Authorization: Bearer YOUR_API_KEY

엔드포인트

POST https://platform.ultralytics.com/api/models/{modelId}/predict

요청

import requests

url = "https://platform.ultralytics.com/api/models/MODEL_ID/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
files = {"file": open("image.jpg", "rb")}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

response = requests.post(url, headers=headers, files=files, data=data)
print(response.json())

curl -X POST \
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "file=@image.jpg" \
  -F "conf=0.25" \
  -F "iou=0.7" \
  -F "imgsz=640"

const formData = new FormData();
formData.append("file", fileInput.files[0]);
formData.append("conf", "0.25");
formData.append("iou", "0.7");
formData.append("imgsz", "640");

const response = await fetch(
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict",
  {
    method: "POST",
    headers: { Authorization: "Bearer YOUR_API_KEY" },
    body: formData,
  }
);

const result = await response.json();
console.log(result);

응답

{
    "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,
        "functionTimeCall": 0.018,
        "model": "model.pt",
        "version": {
            "ultralytics": "8.4.14",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

응답 필드

작업별 응답

응답 형식은 작업에 따라 다름:

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

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "segments": [[100, 50], [150, 60], ...]
}

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "keypoints": [
    {"x": 200, "y": 75, "conf": 0.95},
    ...
  ]
}

{
  "results": [
    {"class": 0, "name": "cat", "confidence": 0.95},
    {"class": 1, "name": "dog", "confidence": 0.03}
  ]
}

{
  "class": 0,
  "name": "ship",
  "confidence": 0.89,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "obb": {"x1": 105, "y1": 48, "x2": 295, "y2": 55, "x3": 290, "y3": 395, "x4": 110, "y4": 402}
}

속도 제한

공유 추론은 속도 제한이 적용됩니다. API 키당 분당 20회 요청. 제한될 경우, API는 반환합니다 429 with a Retry-After 헤더. 전체 보기 속도 제한 참조 모든 엔드포인트 범주에 대해.

오류 처리

일반적인 오류 응답:

FAQ

비디오에서 추론을 실행할 수 있나요?

API는 개별 프레임을 허용합니다. 비디오의 경우:

1. 로컬에서 프레임 추출
2. 각 프레임을 API로 전송
3. 결과 집계

실시간 비디오의 경우 전용 엔드포인트 배포를 고려하십시오.

주석이 달린 이미지를 어떻게 얻을 수 있나요?

API는 JSON 예측을 반환합니다. 시각화하려면:

1. 예측을 사용하여 로컬에서 상자 그리기
2. Ultralytics 사용 plot() 메서드:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("image.jpg")
results[0].save("annotated.jpg")

전체 결과 API 및 시각화 옵션에 대해서는 예측 모드 문서를 참조하십시오.

최대 이미지 크기는 얼마인가요?

• 업로드 제한: 10MB
• Recommended: <5MB for fast inference
• 자동 크기 조정이미지는 선택한 크기로 조정됩니다. Image Size 매개변수

큰 이미지는 종횡비를 유지하면서 자동으로 크기 조정됩니다.

배치 추론을 실행할 수 있나요?

현재 API는 요청당 하나의 이미지를 처리합니다. 배치 처리의 경우:

1. 동시 요청 전송
2. 더 높은 처리량을 위해 전용 엔드포인트 사용
3. 대규모 배치에는 로컬 추론을 고려하십시오.

import concurrent.futures

import requests

url = "https://predict-abc123.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
images = ["img1.jpg", "img2.jpg", "img3.jpg"]


def predict(image_path):
    with open(image_path, "rb") as f:
        return requests.post(url, headers=headers, files={"file": f}).json()


with concurrent.futures.ThreadPoolExecutor(max_workers=4) as executor:
    results = list(executor.map(predict, images))

5; 1 전에 생성됨 ✏️ 4 전에 업데이트됨

댓글