YOLO API de inferência
A API de inferência YOLO permite-te aceder às capacidades de deteção de objectos YOLOv8 através de uma API RESTful. Isto permite-te executar a deteção de objectos em imagens sem a necessidade de instalar e configurar localmente o ambiente YOLOv8 .
Captura de ecrã da secção API Inference no separador Preview do modelo treinado.
Observa: Ultralytics Passo a passo da API de inferência do HUB
URL DA API
O URL da API é o endereço utilizado para aceder à API de inferência YOLO . Neste caso, o URL de base é:
Exemplo de utilização em Python
Para aceder à API de inferência YOLO com o modelo especificado e a chave da API utilizando Python, podes utilizar o seguinte código:
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())
Neste exemplo, substitui API_KEY
com a tua chave de API real, MODEL_ID
com o ID do modelo desejado, e path/to/image.jpg
com o caminho para a imagem que queres analisar.
Exemplo de utilização com cURL
Podes utilizar a API de inferência YOLO com URL de cliente (cURL) utilizando o curl
comanda. Substitui API_KEY
com a tua chave de API real, MODEL_ID
com o ID do modelo desejado, e image.jpg
com o caminho para a imagem que queres analisar:
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"
Passagem de argumentos
Este comando envia um pedido POST para a API de inferência YOLO com o MODEL_ID
no URL e o API_KEY
no pedido headers
juntamente com o ficheiro de imagem especificado por @path/to/image.jpg
.
Aqui está um exemplo de como passar o size
, confidence
e iou
através do URL da API, utilizando o argumento requests
biblioteca em 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())
Neste exemplo, o data
O dicionário contém os argumentos da consulta size
, confidence
e iou
que diz à API para executar a inferência no tamanho de imagem 640 com limiares de confiança e IoU de 0,25 e 0,45.
Envia os parâmetros de consulta juntamente com o ficheiro no pedido POST. Vê a tabela abaixo para obteres uma lista completa dos argumentos de inferência disponíveis.
Argumento de Inferência | Predefinição | Tipo | Notas |
---|---|---|---|
size |
640 |
int |
o intervalo válido é 32 - 1280 pixéis |
confidence |
0.25 |
float |
o intervalo válido é 0.01 - 1.0 |
iou |
0.45 |
float |
o intervalo válido é 0.0 - 0.95 |
url |
'' |
str |
URL de imagem opcional se não for passado um ficheiro de imagem |
normalize |
False |
bool |
Devolve o formato JSON
A API de inferência YOLO devolve uma lista JSON com os resultados da deteção. O formato da lista JSON será o mesmo que o produzido localmente pela API de inferência results[0].tojson()
comanda.
A lista JSON contém informações sobre os objectos detectados, as suas coordenadas, classes e pontuações de confiança.
Detecta o formato do modelo
YOLO modelos de deteção, tais como yolov8n.pt
O método de inferência local, a inferência cURL e a inferência Python podem retornar respostas JSON. Todos estes métodos produzem o mesmo formato de resposta JSON.
Detetar resposta JSON do modelo
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
}
}
]
}
Formato do modelo de segmento
YOLO modelos de segmentação, tais como yolov8n-seg.pt
O método de inferência local, a inferência cURL e a inferência Python podem retornar respostas JSON. Todos estes métodos produzem o mesmo formato de resposta JSON.
Resposta JSON do modelo de segmento
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())
Nota segments
x
e y
Os comprimentos podem variar de um objeto para outro. Objectos maiores ou mais complexos podem ter mais pontos de segmento.
{
"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
...
]
}
}
]
}
Pose Modelo Formato
YOLO modelos de pose, tais como yolov8n-pose.pt
O método de inferência local, a inferência cURL e a inferência Python podem retornar respostas JSON. Todos estes métodos produzem o mesmo formato de resposta JSON.
Resposta JSON do modelo de pose
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())
Nota: os modelos pré-treinados com COCO-keypoints terão 17 keypoints humanos. Os visible
parte dos pontos-chave indica se um ponto-chave está visível ou obscurecido. Os pontos-chave obscurecidos podem estar fora da imagem ou podem não ser visíveis, por exemplo, os olhos de uma pessoa virados para longe da câmara.
{
"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
...
]
}
}
]
}
Criado em 2024-01-23, Atualizado em 2024-03-06
Autores: RizwanMunawar (1), glenn-jocher (3), priytosh-tripathi (1)