Inferência#

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

Aba Predict#

Cada modelo com pesos inclui uma aba Predict para inferência baseada no navegador:

1. Navegue até seu modelo
2. Clica no separador Predict
3. Carrega uma imagem, usa um exemplo ou abre a tua webcam
4. Revisa a sobreposição específica da tarefa, o resumo da predição, o tempo e a resposta bruta

Modelos sem pesos mostram um estado vazio em vez disso — treine o modelo ou envie os pesos primeiro.

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 predição mostra até duas imagens de exemplo do conjunto de dados vinculado ao seu modelo, preferindo a divisão val, depois test e, em seguida, train. Se nenhum conjunto de dados estiver vinculado, exemplos padrão serão usados:

Para modelos OBB, imagens aéreas de barcos e de um aeroporto são exibidas em vez disso.

Webcam#

Clica no cartão da webcam para iniciar uma transmissão de câmara ao vivo:

1. Concede permissão à câmara quando solicitado
2. Clica na pré-visualização de 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 exibem a saída apropriada para a tarefa do modelo: caixas, máscaras, pontos-chave, caixas orientadas, escores de classificação, cobertura semântica ou um mapa de profundidade. Os resultados de objetos usam as cores de classe do conjunto de dados quando disponíveis. O painel também mostra o tempo de pré-processamento, inferência, pós-processamento e de rede.

O painel de resultados mostra:

Dois controles aparecem sobre a pré-visualização assim que os resultados são obtidos: clique na imagem para ampliá-la com as sobreposições intactas e use o botão de download para salvar um JPEG anotado do resultado atual.

Parâmetros de Inferência#

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

Limiar de Confiança#

Filtra as previsões por confiança:

• Mais alto (0.5+): Menos previsões, porém mais certas
• Mais baixo (0.1-0.25): Mais previsões, algum ruído
• Padrão (0.25): Equilibrado para a maioria dos casos de uso

Limiar IoU#

Controla a Supressão Não Máxima (NMS):

• Mais alto (0.7+): Permite mais caixas sobrepostas
• Inferior (0.3-0.5): Suprime detecções sobrepostas de forma mais agressiva
• Padrão (0.7): Comportamento de NMS equilibrado para a maioria dos casos de uso

Previsão de Implementação#

Cada endpoint dedicado em execução inclui uma aba Predict diretamente no seu cartão de implantação. Isso usa o próprio serviço de inferência da implantação em vez do serviço de previsão compartilhado, permitindo que testes o teu endpoint implantado a partir do navegador.

API de Endpoint Dedicado#

O cartão de Documentação da API na aba Predict do modelo contém exemplos de solicitações em Python, JavaScript e cURL, preenchidos previamente com a confiança, IoU e tamanho de imagem definidos atualmente nos seletores. A URL e a chave são marcadores de posição até que você implante o modelo — um botão Implantar ao lado das abas de código direciona para a aba Deploy do modelo. Após a implantação, a aba Code do cartão de implantação preenche a URL desse endpoint e, para proprietários de workspaces, sua chave de API vinculada, pronta para ser copiada e executada.

Autenticação#

Inclui a tua chave de API nos pedidos:

Authorization: Bearer YOUR_API_KEY

Endpoint#

Endpoints dedicados recebem solicitações em sua própria URL:

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

A inferência compartilhada usa a API da plataforma 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 retornam o mesmo formato de resposta. Com o Python SDK, usa client.models.predict(owner, project, model, body=...) para inferência compartilhada ou client.deployments.predict(owner, deployment, body=...) para um deployment dedicado:

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 de solicitação#

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 de Resposta#

Respostas específicas da tarefa#

O formato da resposta varia de acordo com a tarefa:

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

Limites de Taxa#

A API de modelo compartilhada é limitada a 20 requisições/minuto para cada chave de API, chamador conectado ou IP anônimo. Quando limitada, a API retorna 429 com um cabeçalho Retry-After. Consulta a referência de limite de taxa completa para todas as categorias de endpoints.

Tratamento de erros#

Respostas de erro comuns:

FAQ#