Inferência

Plataforma Ultralytics fornece uma API de inferência para testar modelos treinados. Use o navegador baseado em Predict para validação rápida ou o REST API para acesso programático.

Guia Prever

Cada modelo inclui um Predict guia para inferência baseada no navegador:

1. Navegue até o seu modelo
2. Clique no separador Prever
3. Carregue uma imagem, use um exemplo ou abra a sua webcam
4. Veja as previsões instantaneamente com sobreposições de caixas delimitadoras

Métodos de entrada

O painel de previsão suporta vários métodos de entrada:

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

    style D fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Carregar Imagem

Arraste e solte ou clique para carregar:

• Formatos suportados: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP, DNG, MPO
• Tamanho máximo: 10MB
• Autoinferência: os resultados aparecem automaticamente após o upload

Imagens de Exemplo

O painel de previsão mostra imagens de exemplo do conjunto de dados vinculado ao seu modelo. Se nenhum conjunto de dados estiver vinculado, serão usados exemplos padrão:

Para os modelos OBB, são mostradas imagens aéreas de barcos e aeroportos.

Webcam

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

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

Ver Resultados

Exibição dos resultados da inferência:

• Caixas delimitadoras com rótulos de classe como sobreposições SVG
• Pontuações de confiança para cada detect
• Cores de classe da paleta de cores do seu conjunto de dados (ou da paleta Ultralytics )
• Discriminação da velocidade: pré-processamento, inferência, pós-processamento e tempo de rede

O painel de resultados mostra:

Parâmetros de Inferência

Ajuste o comportamento de deteção com os parâmetros na secção Parâmetros, que pode ser recolhida:

Limiar de Confiança

Filtrar previsões por confiança:

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

Limiar de IoU

Controlar a Supressão Não Máxima:

• Mais alto (0,7+): Permita mais caixas sobrepostas
• Mais baixo (0,3-0,5): Combinar detecções próximas de forma mais agressiva
• Padrão (0,70): NMS equilibrado NMS para a maioria dos casos de uso

Previsão de implementação

Cada corrida ponto final dedicado inclui um Predict diretamente no cartão de implementação. Isso usa o serviço de inferência da própria implementação, em vez do serviço de previsão partilhado, permitindo que você teste o seu endpoint implementado a partir do navegador.

REST API

Acessar inferência programaticamente:

Autenticação

Inclua sua chave API nas requisições:

Authorization: Bearer YOUR_API_KEY

Endpoint

POST https://platform.ultralytics.com/api/models/{modelId}/predict

Requisição

import requests

url = "https://platform.ultralytics.com/api/models/MODEL_ID/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
files = {"file": open("image.jpg", "rb")}
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

response = requests.post(url, headers=headers, files=files, data=data)
print(response.json())

curl -X POST \
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "file=@image.jpg" \
  -F "conf=0.25" \
  -F "iou=0.7" \
  -F "imgsz=640"

const formData = new FormData();
formData.append("file", fileInput.files[0]);
formData.append("conf", "0.25");
formData.append("iou", "0.7");
formData.append("imgsz", "640");

const response = await fetch(
  "https://platform.ultralytics.com/api/models/MODEL_ID/predict",
  {
    method: "POST",
    headers: { Authorization: "Bearer YOUR_API_KEY" },
    body: formData,
  }
);

const result = await response.json();
console.log(result);

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,
        "functionTimeCall": 0.018,
        "model": "model.pt",
        "version": {
            "ultralytics": "8.4.14",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Campos da Resposta

Respostas Específicas da Tarefa

O formato da resposta varia por tarefa:

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

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "segments": [[100, 50], [150, 60], ...]
}

{
  "class": 0,
  "name": "person",
  "confidence": 0.92,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "keypoints": [
    {"x": 200, "y": 75, "conf": 0.95},
    ...
  ]
}

{
  "results": [
    {"class": 0, "name": "cat", "confidence": 0.95},
    {"class": 1, "name": "dog", "confidence": 0.03}
  ]
}

{
  "class": 0,
  "name": "ship",
  "confidence": 0.89,
  "box": {"x1": 100, "y1": 50, "x2": 300, "y2": 400},
  "obb": {"x1": 105, "y1": 48, "x2": 295, "y2": 55, "x3": 290, "y3": 395, "x4": 110, "y4": 402}
}

Limites de Taxa

A inferência partilhada é limitada à taxa de 20 solicitações/minuto por chave API. Quando limitada, a API retorna 429 com um Retry-After cabeçalho. Veja o texto completo referência ao limite de taxa para todas as categorias de terminais.

Tratamento de Erros

Respostas de erro comuns:

FAQ

Posso executar inferência em vídeo?

A API aceita quadros individuais. Para vídeo:

1. Extrair frames localmente
2. Enviar cada frame para a API
3. Agregar resultados

Para vídeo em tempo real, considere implantar um endpoint dedicado.

Como obtenho a imagem anotada?

A API retorna previsões JSON. Para visualizar:

1. Usar previsões para desenhar caixas localmente
2. Usar Ultralytics plot() método:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("image.jpg")
results[0].save("annotated.jpg")

Consulte a documentação do modo Predict para obter a API completa de resultados e as opções de visualização.

Qual é o tamanho máximo da imagem?

• Limite de upload: 10MB
• Recommended: <5MB for fast inference
• Redimensionamento automático: As imagens são redimensionadas para o tamanho selecionado. Image Size parâmetro

Imagens grandes são redimensionadas automaticamente, preservando a proporção.

Posso executar inferência em lote?

A API atual processa uma imagem por requisição. Para processamento em lote:

1. Enviar requisições concorrentes
2. Usar um endpoint dedicado para maior throughput
3. Considerar inferência local para grandes lotes

import concurrent.futures

import requests

url = "https://predict-abc123.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
images = ["img1.jpg", "img2.jpg", "img3.jpg"]


def predict(image_path):
    with open(image_path, "rb") as f:
        return requests.post(url, headers=headers, files={"file": f}).json()


with concurrent.futures.ThreadPoolExecutor(max_workers=4) as executor:
    results = list(executor.map(predict, images))

📅 Criado há 1 mês ✏️ Atualizado há 5 dias

Comentários