Inferência#

A Ultralytics Platform fornece inferência baseada no navegador para testar modelos treinados e endpoints dedicados para acesso programático.

Separador Previsão#

Todos os modelos com pesos incluem um separador Predict para inferência baseada no navegador:

1. Navega até ao teu modelo
2. Clica no separador Predict
3. Carrega uma imagem, usa um exemplo ou abre a tua webcam
4. Revê a sobreposição específica da tarefa, o resumo da previsão, os tempos e a resposta bruta

Os modelos sem pesos mostram um estado vazio; primeiro, treina o modelo ou carrega os pesos.

Métodos de entrada#

O painel de previsão suporta vários métodos de entrada:

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Carregar imagem#

Arrasta e larga ou clica para carregar:

• Formatos suportados: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP
• Tamanho máximo: 10 MB
• Inferência automática: os resultados aparecem automaticamente após o carregamento

Imagens de exemplo#

O painel de previsão mostra até duas imagens de exemplo do conjunto de dados associado ao teu modelo, dando preferência à divisão val, depois a test e, por fim, a train. Se não houver nenhum conjunto de dados associado, são usados exemplos predefinidos:

Para modelos OBB, são mostradas em alternativa imagens aéreas de barcos e de um aeroporto.

Webcam#

Clica no cartão da webcam para iniciar uma transmissão de vídeo da câmara em direto:

1. Concede permissão para usar a câmara quando solicitado
2. Clica na pré-visualização do vídeo para capturar um fotograma
3. A inferência é executada automaticamente no fotograma capturado
4. Clica novamente para reiniciar a webcam

Ver resultados#

Os resultados da inferência apresentam a saída adequada à tarefa do modelo: caixas, máscaras, pontos-chave, caixas orientadas, pontuações de classificação, cobertura semântica ou um mapa de profundidade. Os resultados dos objetos usam as cores das classes do conjunto de dados, quando disponíveis. O painel também mostra os tempos de pré-processamento, inferência, pós-processamento e rede.

O painel de resultados mostra:

Depois de os resultados estarem disponíveis, ficam dois controlos sobre a pré-visualização: clica na imagem para a ampliar, mantendo as sobreposições, e usa o botão de transferência para guardar um JPEG anotado do resultado atual.

Parâmetros de inferência#

Ajusta o comportamento da inferência com os três controlos deslizantes abaixo da imagem:

Limiar de confiança#

Filtra as previsões por confiança:

• Mais elevado (0.5+): menos previsões, mais certas
• Mais baixo (0.1-0.25): mais previsões, algum ruído
• Predefinição (0.25): equilibrado para a maioria dos casos de utilização

Limiar de IoU#

Controla a supressão não máxima:

• Mais elevado (0.7+): permite mais caixas sobrepostas
• Mais baixo (0.3-0.5): suprime deteções sobrepostas de forma mais agressiva
• Predefinição (0.7): comportamento equilibrado do NMS para a maioria dos casos de utilização

Previsão da implementação#

Cada endpoint dedicado em execução inclui um separador Predict diretamente no seu cartão de implementação. Isto usa o próprio serviço de inferência da implementação, em vez do serviço de previsão partilhado, permitindo-te testar o endpoint implementado a partir do navegador.

Num endpoint pago com monitoramento ativado, as imagens processadas também contribuem para a guia de monitoramento. Os seus exemplos amostrados e gráficos agregados são dados leves e temporários mantidos na memória; parar, reiniciar, implatar novamente, redimensionar ou substituir o modelo pode limpá-los. Salva os exemplos em um conjunto de dados para mantê-los.

API do endpoint dedicado#

O cartão API Docs no separador Predict do modelo contém exemplos de pedidos em Python, JavaScript e cURL, pré-preenchidos com os valores de confiança, IoU e tamanho da imagem atualmente definidos nos controlos deslizantes. O URL e a chave são marcadores de posição até implementares o modelo — um botão Deploy junto aos separadores de código salta para o separador Deploy do modelo. Após a implementação, o separador Code do cartão da implementação preenche o URL desse endpoint e, para os proprietários do espaço de trabalho, a respetiva chave de API associada, pronta a copiar e executar.

Autenticação#

Inclui a tua chave de API nos pedidos:

Authorization: Bearer YOUR_API_KEY

Endpoint#

Os endpoints dedicados recebem pedidos no seu próprio URL:

POST https://YOUR_DEPLOYMENT_URL.run.app/predict

A inferência partilhada usa a API da Platform com o caminho completo do modelo:

POST https://platform.ultralytics.com/api/models/{owner}/{project}/{model}/predict

Ambos aceitam o mesmo corpo multipart/form-data e devolvem a mesma estrutura de resposta. Com o SDK de Python, usa client.models.predict(owner, project, model, body=...) para inferência partilhada ou client.deployments.predict(owner, deployment, body=...) para uma implementação dedicada:

from ultralytics_platform import Platform

client = Platform()  # reads ULTRALYTICS_API_KEY
with open("image.jpg", "rb") as f:
    results = client.models.predict("acme-vision", "inspection", "v3", body={"file": f, "conf": 0.25})

Pedido#

import requests

url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as image_file:
    response = requests.post(url, headers=headers, files={"file": image_file}, data=data)
print(response.json())

Parâmetros do pedido#

Resposta#

{
    "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,
        "functionTimeAlive": 1284.51,
        "functionTimeCall": 0.018,
        "task": "detect",
        "version": {
            "ultralytics": "8.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Campos da resposta#

Respostas específicas da tarefa#

O formato da resposta varia consoante a tarefa:

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

Limites de frequência#

A API de modelos partilhados está limitada a 20 pedidos/minuto para cada chave de API, autor autenticado ou IP anónimo. Quando é aplicada limitação, a API devolve 429 com um cabeçalho Retry-After. Consulta a referência completa de limites de frequência para todas as categorias de endpoints.

Gestão de erros#

Respostas de erro comuns:

Perguntas frequentes#