Model voorspelling met Ultralytics YOLO

Inleiding

In de wereld van machine learning en computer vision wordt het proces om visuele gegevens zinvol te maken 'inferentie' of 'voorspelling' genoemd. Ultralytics YOLOv8 biedt een krachtige functie die bekend staat als de predict modus en die op maat is gemaakt voor krachtige, real-time inferentie op een breed scala aan gegevensbronnen.

Kijken: Hoe de uitvoer te extraheren uit Ultralytics YOLOv8 Model voor aangepaste projecten.

Toepassingen in de echte wereld

Productie	Sport	Veiligheid
Opsporing reserveonderdelen voertuig	Detectie voetbalspeler	Mensen Valdetectie

Waarom Ultralytics YOLO gebruiken voor inferentie?

Dit is waarom je de predict modus van YOLOv8 zou moeten overwegen voor je verschillende inferentiebehoeften:

• Veelzijdigheid: Kan conclusies trekken uit afbeeldingen, video's en zelfs live streams.
• Prestaties: Ontworpen voor real-time verwerking op hoge snelheid zonder aan nauwkeurigheid in te boeten.
• Gebruiksgemak: Intuïtieve Python en CLI interfaces voor snelle implementatie en testen.
• Zeer aanpasbaar: Diverse instellingen en parameters om het inferentiegedrag van het model af te stemmen op jouw specifieke eisen.

Belangrijkste kenmerken van de modus Voorspellen

YOLOv8De voorspellingsmodus is ontworpen om robuust en veelzijdig te zijn, met:

• Compatibiliteit met meerdere gegevensbronnen: Of je gegevens nu in de vorm van afzonderlijke afbeeldingen, een verzameling afbeeldingen, videobestanden of realtime videostreams zijn, met de voorspellingsmodus zit je goed.
• Streamingmodus: Gebruik de streamingfunctie om een geheugenefficiënte generator van Results objecten. Schakel dit in door stream=True in de aanroepmethode van de voorspeller.
• Batchverwerking: De mogelijkheid om meerdere afbeeldingen of videoframes in een enkele batch te verwerken, waardoor de inferentietijd nog verder wordt versneld.
• Integratievriendelijk: Eenvoudig te integreren met bestaande datapijplijnen en andere softwarecomponenten dankzij de flexibele API.

Ultralytics YOLO modellen geven ofwel een Python lijst van Results objecten, of een geheugenefficiënte Python generator van Results objecten wanneer stream=True wordt doorgegeven aan het model tijdens inferentie:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(['im1.jpg', 'im2.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

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(['im1.jpg', 'im2.jpg'], stream=True)  # return a generator of Results objects

# Process results generator
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

Inferentiebronnen

YOLOv8 kan verschillende soorten invoerbronnen verwerken voor inferentie, zoals weergegeven in de onderstaande tabel. De bronnen omvatten statische afbeeldingen, videostreams en verschillende gegevensformaten. De tabel geeft ook aan of elke bron kan worden gebruikt in streaming modus met het argument stream=True ✅. De modus Streaming is gunstig voor het verwerken van video's of live streams omdat het een generator van resultaten maakt in plaats van alle frames in het geheugen te laden.

Hieronder staan codevoorbeelden voor het gebruik van elk brontype:

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define path to the image file
source = 'path/to/image.jpg'

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define current screenshot as source
source = 'screen'

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define remote image or video URL
source = 'https://ultralytics.com/images/bus.jpg'

# Run inference on the source
results = model(source)  # list of Results objects

from PIL import Image
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Open an image using PIL
source = Image.open('path/to/image.jpg')

# Run inference on the source
results = model(source)  # list of Results objects

import cv2
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Read an image using OpenCV
source = cv2.imread('path/to/image.jpg')

# Run inference on the source
results = model(source)  # list of Results objects

import numpy as np
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype='uint8')

# Run inference on the source
results = model(source)  # list of Results objects

import torch
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

# Run inference on the source
results = model(source)  # list of Results objects

import torch
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define a path to a CSV file with images, URLs, videos and directories
source = 'path/to/file.csv'

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define path to video file
source = 'path/to/video.mp4'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define path to directory containing images and videos for inference
source = 'path/to/dir'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define a glob search for all JPG files in a directory
source = 'path/to/dir/*.jpg'

# OR define a recursive glob search for all JPG files including subdirectories
source = 'path/to/dir/**/*.jpg'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define source as YouTube video URL
source = 'https://youtu.be/LNwODJXcvt4'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Single stream with batch-size 1 inference
source = 'rtsp://example.com/media.mp4'  # RTSP, RTMP, TCP or IP streaming address

# Multiple streams with batched inference (i.e. batch-size 8 for 8 streams)
source = 'path/to/list.streams'  # *.streams text file with one streaming address per row

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

Argumenten voor gevolgtrekkingen

model.predict() accepteert meerdere argumenten die kunnen worden doorgegeven op het moment van inferentie om de standaardwaarden op te heffen:

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on 'bus.jpg' with arguments
model.predict('bus.jpg', save=True, imgsz=320, conf=0.5)

Inferentie argumenten:

Visualisatie argumenten:

Beeld- en videoformaten

YOLOv8 ondersteunt verschillende afbeeldings- en videoformaten, zoals gespecificeerd in ultralytics/data/utils .py. Zie de tabellen hieronder voor de geldige achtervoegsels en voorbeeld voorspellingscommando's.

Afbeeldingen

De onderstaande tabel bevat geldige Ultralytics afbeeldingsformaten.

Video's

De onderstaande tabel bevat geldige Ultralytics videoformaten.

Werken met resultaten

Alle Ultralytics predict() oproepen zullen een lijst van Results objecten:

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on an image
results = model('bus.jpg')  # list of 1 Results object
results = model(['bus.jpg', 'zidane.jpg'])  # list of 2 Results objects

Results objecten hebben de volgende attributen:

Results objecten hebben de volgende methoden:

Zie voor meer informatie de Results klassendocumentatie.

Dozen

Boxes object kan worden gebruikt om bounding boxes te indexeren, manipuleren en converteren naar verschillende formaten.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

Hier is een tabel voor de Boxes Methoden en eigenschappen van de klasse, inclusief hun naam, type en beschrijving:

Zie voor meer informatie de Boxes klassendocumentatie.

Maskers

Masks object kan worden gebruikt om maskers te indexeren, manipuleren en converteren naar segmenten.

from ultralytics import YOLO

# Load a pretrained YOLOv8n-seg Segment model
model = YOLO('yolov8n-seg.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

Hier is een tabel voor de Masks Methoden en eigenschappen van de klasse, inclusief hun naam, type en beschrijving:

Zie voor meer informatie de Masks klassendocumentatie.

Kernpunten

Keypoints object kan worden gebruikt om coördinaten te indexeren, manipuleren en normaliseren.

from ultralytics import YOLO

# Load a pretrained YOLOv8n-pose Pose model
model = YOLO('yolov8n-pose.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

Hier is een tabel voor de Keypoints Methoden en eigenschappen van de klasse, inclusief hun naam, type en beschrijving:

Zie voor meer informatie de Keypoints klassendocumentatie.

Probs

Probs object kan worden gebruikt index, get top1 en top5 indices en scores van classificatie.

from ultralytics import YOLO

# Load a pretrained YOLOv8n-cls Classify model
model = YOLO('yolov8n-cls.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

Hier is een tabel met een overzicht van de methoden en eigenschappen voor de Probs klasse:

Zie voor meer informatie de Probs klassendocumentatie.

OBB

OBB object kan worden gebruikt om georiënteerde bounding boxes te indexeren, manipuleren en converteren naar verschillende formaten.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n-obb.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

Hier is een tabel voor de OBB Methoden en eigenschappen van de klasse, inclusief hun naam, type en beschrijving:

Zie voor meer informatie de OBB klassendocumentatie.

Resultaten plotten

De plot() methode in Results objecten vergemakkelijkt de visualisatie van voorspellingen door gedetecteerde objecten (zoals bounding boxes, maskers, sleutelpunten en waarschijnlijkheden) op de oorspronkelijke afbeelding te leggen. Deze methode retourneert de geannoteerde afbeelding als een NumPy array, zodat deze eenvoudig kan worden weergegeven of opgeslagen.

from PIL import Image
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on 'bus.jpg'
results = model(['bus.jpg', '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')

plot() Methode Parameters

De plot() De methode ondersteunt verschillende argumenten om de uitvoer aan te passen:

Thread-veilige inferentie

Het garanderen van thread safety tijdens inferentie is cruciaal als je meerdere YOLO modellen parallel uitvoert op verschillende threads. Thread-safe inferentie garandeert dat de voorspellingen van elke thread geïsoleerd zijn en niet met elkaar interfereren, waardoor race condities worden vermeden en consistente en betrouwbare uitvoer wordt gegarandeerd.

Bij het gebruik van YOLO modellen in een toepassing met meerdere threads, is het belangrijk om aparte modelobjecten te instantiëren voor elke thread of thread-lokale opslag te gebruiken om conflicten te voorkomen:

from ultralytics import YOLO
from threading import Thread

def thread_safe_predict(image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    local_model = YOLO("yolov8n.pt")
    results = local_model.predict(image_path)
    # Process results


# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

Voor een diepgaande blik op thread-safe inferentie met YOLO modellen en stapsgewijze instructies, kun je onze YOLO Thread-Safe Inference Guide raadplegen. Deze gids geeft je alle benodigde informatie om veelvoorkomende valkuilen te vermijden en ervoor te zorgen dat je multi-threaded inferentie soepel verloopt.

Streaming bron for-lus

Hier is een Python script dat OpenCV gebruikt (cv2) en YOLOv8 om inferentie op videoframes uit te voeren. Dit script gaat ervan uit dat je de benodigde pakketten al hebt geïnstalleerd (opencv-python en ultralytics).

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.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 YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLOv8 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()

Dit script voert voorspellingen uit op elk frame van de video, visualiseert de resultaten en toont ze in een venster. De lus kan worden verlaten door op 'q' te drukken.

Reacties