Salta para o conteúdo

Ultralytics API de inferência do HUB

Depois de treinares um modelo, podes utilizar a API de Inferência Partilhada gratuitamente. Se fores um utilizador Pro, podes aceder à API de Inferência Dedicada. A API de inferência do Ultralytics HUB permite-te executar a inferência através da nossa API REST sem a necessidade de instalar e configurar localmente o ambiente Ultralytics YOLO .

Ultralytics Captura de ecrã do HUB do separador Implementar na página Modelo com uma seta a apontar para o cartão da API de Inferência Dedicada e outra para o cartão da API de Inferência Partilhada


Observa: Ultralytics Passo a passo da API de inferência do HUB

API de inferência dedicada

Em resposta à elevada procura e ao interesse generalizado, estamos entusiasmados por revelar a API de Inferência Dedicada do Ultralytics HUB, que oferece uma implementação com um único clique num ambiente dedicado para os nossos utilizadores Pro!

Nota

Estamos entusiasmados por oferecer esta funcionalidade GRATUITAMENTE durante a nossa versão beta pública como parte do Plano Pro, com níveis pagos possíveis no futuro.

  • Cobertura global: Implementado em 38 regiões em todo o mundo, garantindo acesso de baixa latência a partir de qualquer local. Vê a lista completa de regiões do Google Cloud.
  • Google Apoiado pelo Cloud Run: Apoiado por Google Cloud Run, fornecendo uma infraestrutura infinitamente escalável e altamente fiável.
  • Alta velocidade: É possível uma latência inferior a 100 ms para a inferência YOLOv8n com uma resolução de 640 a partir de regiões próximas com base nos testes Ultralytics .
  • Segurança melhorada: Fornece recursos de segurança robustos para proteger seus dados e garantir a conformidade com os padrões do setor. Saiba mais sobre a segurança do Google Cloud.

Para utilizar a API de inferência dedicada do Ultralytics HUB, clica no botão Iniciar ponto final. Em seguida, utiliza o URL do ponto final único, conforme descrito nos guias abaixo.

Ultralytics Captura de ecrã do HUB do separador Implementar na página Modelo com uma seta a apontar para o botão Iniciar Ponto Final no cartão API de Inferência Dedicada

Dica

Escolhe a região com a latência mais baixa para obter o melhor desempenho, conforme descrito na documentação.

Para encerrar o ponto de extremidade dedicado, clica no botão Parar ponto de extremidade.

Ultralytics Captura de ecrã do HUB do separador Implementar na página Modelo com uma seta a apontar para o botão Parar Ponto Final no cartão API de Inferência Dedicada

API de inferência partilhada

Para utilizar a API de inferência partilhada do Ultralytics HUB, segue os guias abaixo.

Os utilizadores gratuitos têm os seguintes limites de utilização:

  • 100 chamadas / hora
  • 1000 chamadas / mês

Os utilizadores Pro têm os seguintes limites de utilização:

  • 1000 chamadas / hora
  • 10000 chamadas / mês

Python

Para aceder à API de inferência do Ultralytics HUB utilizando Python, utiliza o seguinte código:

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

Nota

Substitui MODEL_ID com o ID do modelo pretendido, API_KEY com a tua chave API real, e path/to/image.jpg com o caminho para a imagem em que queres fazer a inferência.

Se estiveres a utilizar o nosso API de inferência dedicada, substitui o url também.

cURL

Para aceder à API de inferência do Ultralytics HUB utilizando cURL, utiliza o seguinte código:

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

Nota

Substitui MODEL_ID com o ID do modelo pretendido, API_KEY com a tua chave API real, e path/to/image.jpg com o caminho para a imagem em que queres fazer a inferência.

Se estiveres a utilizar o nosso API de inferência dedicada, substitui o url também.

Argumentos

Consulta a tabela abaixo para obteres uma lista completa dos argumentos de inferência disponíveis.

ArgumentaPredefiniçãoTipoDescrição
filefileFicheiro de imagem ou vídeo a utilizar para a inferência.
imgsz640intTamanho da imagem de entrada, intervalo válido é 32 - 1280 píxeis.
conf0.25floatLimite de confiança para previsões, intervalo válido 0.01 - 1.0.
iou0.45floatIntersecção sobre União (IoU) threshold, valid range 0.0 - 0.95.

Resposta

A API de inferência do Ultralytics HUB devolve uma resposta JSON.

Classificação

Modelo de classificação

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-cls.pt")

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

# Print image.jpg results in JSON format
print(results[0].to_json())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Deteção

Modelo de deteção

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].to_json())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

OBB

Modelo OBB

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-obb.pt")

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

# Print image.jpg results in JSON format
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 374.85565,
            "x2": 392.31824,
            "x3": 412.81805,
            "x4": 395.35547,
            "y1": 264.40704,
            "y2": 267.45728,
            "y3": 150.0966,
            "y4": 147.04634
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Segmentação

Modelo de segmentação

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://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          },
          "segments": {
            "x": [
              266.015625,
              266.015625,
              258.984375,
              ...
            ],
            "y": [
              110.15625,
              113.67188262939453,
              120.70311737060547,
              ...
            ]
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

Pose

Modelo de pose

from ultralytics import YOLO

# Load model
model = YOLO("yolov8n-pose.pt")

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

# Print image.jpg results in JSON format
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

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

# Inference arguments (use actual MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

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

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          },
          "keypoints": {
            "visible": [
              0.9909399747848511,
              0.8162999749183655,
              0.9872099757194519,
              ...
            ],
            "x": [
              316.3871765136719,
              315.9374694824219,
              304.878173828125,
              ...
            ],
            "y": [
              156.4207763671875,
              148.05775451660156,
              144.93240356445312,
              ...
            ]
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}
📅 C riado há 10 meses ✏️ Atualizado há 1 mês
sergiuwaxmann glenn-jocher MatthewNoyce jk4e UltralyticsAssistant RizwanMunawar priytosh-tripathi

Comentários