Прогнозирование с помощью модели Ultralytics YOLO

Введение

В мире машинного обучения и компьютерного зрения процесс извлечения смысла из визуальных данных называется "вывод" или "предсказание". Ultralytics YOLO11 предлагает мощную функцию, известную как режим предсказания, которая предназначена для высокопроизводительного вывода в реальном времени на широком диапазоне источников данных.

Смотреть: Как извлечь выходные данные из модели Ultralytics YOLO для пользовательских проектов.

Применение в реальном мире

Производство	Спорт	Безопасность
Обнаружение запасных частей для автомобилей	Обнаружение футболистов	Обнаружение падения людей

Зачем использовать Ultralytics YOLO для выводов?

Вот почему вам стоит обратить внимание на режим прогнозирования YOLO11 для решения различных задач, связанных с выводами:

• Универсальность: Возможность делать выводы на основе изображений, видео и даже живых потоков.
• Производительность: Разработан для высокоскоростной обработки данных в режиме реального времени без ущерба для точности.
• Простота использования: интуитивно понятные интерфейсы Python и CLI для быстрого развертывания и тестирования.
• Высокая степень настраиваемости: Различные настройки и параметры для настройки поведения модели при выводах в соответствии с вашими конкретными требованиями.

Ключевые особенности режима Predict Mode

YOLO11Режим прогнозирования отличается надежностью и универсальностью:

• Совместимость с несколькими источниками данных: Независимо от того, в какой форме представлены ваши данные - отдельные изображения, коллекция изображений, видеофайлы или видеопотоки в реальном времени, - режим прогнозирования обеспечит вас всем необходимым.
• Режим потоковой передачи: Используйте функцию потоковой передачи данных, чтобы создать генератор, занимающий мало памяти. Results объекты. Включите эту функцию, установив stream=True в методе вызова предиктора.
• Пакетная обработка: Возможность пакетной обработки нескольких изображений или видеокадров, что еще больше ускоряет время вывода.
• Удобство интеграции: Легко интегрируется с существующими конвейерами данных и другими программными компонентами благодаря гибкому API.

Ultralytics YOLO модели возвращают либо список Python Results объектов, или экономящий память Python генератор Results объекты, когда stream=True передается модели во время вывода:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"], stream=True)  # return a generator of Results objects

# Process results generator
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

Источники выводов

YOLO11 может обрабатывать различные типы входных источников для выводов, как показано в таблице ниже. В число источников входят статические изображения, видеопотоки и различные форматы данных. В таблице также указано, можно ли использовать каждый источник в потоковом режиме с помощью аргумента stream=True ✅. Потоковый режим удобен для обработки видео или прямых трансляций, поскольку он создает генератор результатов вместо загрузки всех кадров в память.

Ниже приведены примеры кода для использования каждого типа источника:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define current screenshot as source
source = "screen"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import cv2

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

# Run inference on the source
results = model(source)  # list of Results objects

import torch

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP, or IP streaming address

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Multiple streams with batched inference (e.g., batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per line

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on the source
results = model(source=0, stream=True)  # generator of Results objects

Аргументы для умозаключений

model.predict() принимает несколько аргументов, которые могут быть переданы во время вывода, чтобы отменить значения по умолчанию:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5)

Аргументы для умозаключений:

Аргументы для визуализации:

Форматы изображений и видео

YOLO11 поддерживает различные форматы изображений и видео, как указано в ultralytics/data/utils .py. Ниже приведены таблицы с допустимыми суффиксами и примерами команд предсказания.

Изображения

В таблице ниже приведены допустимые форматы изображений Ultralytics .

Видео

В таблице ниже приведены допустимые форматы видео Ultralytics .

Работа с результатами

Все Ultralytics predict() вызовы будут возвращать список Results объекты:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

Results объекты имеют следующие атрибуты:

Results Объекты имеют следующие методы:

Подробнее см. Results документация класса.

Коробки

Boxes Объект можно использовать для индексации, манипулирования и преобразования ограничительных рамок в различные форматы.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

Вот таблица для Boxes Методы и свойства класса, включая их имя, тип и описание:

Подробнее см. Boxes документация класса.

Маски

Masks Объект можно использовать для индексации, манипулирования и преобразования масок в сегменты.

from ultralytics import YOLO

# Load a pretrained YOLO11n-seg Segment model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

Вот таблица для Masks Методы и свойства класса, включая их имя, тип и описание:

Подробнее см. Masks документация класса.

Ключевые моменты

Keypoints объект можно использовать для индексации, манипулирования и нормализации координат.

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose Pose model
model = YOLO("yolo11n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

Вот таблица для Keypoints Методы и свойства класса, включая их имя, тип и описание:

Подробнее см. Keypoints документация класса.

Пробы

Probs объект может быть использован для индексации, получения top1 и top5 индексы и баллы классификации.

from ultralytics import YOLO

# Load a pretrained YOLO11n-cls Classify model
model = YOLO("yolo11n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

Вот таблица, в которой обобщены методы и свойства для Probs класс:

Подробнее см. Probs документация класса.

OBB

OBB Объект можно использовать для индексации, манипулирования и преобразования ориентированных ограничительных рамок в различные форматы.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

Вот таблица для OBB Методы и свойства класса, включая их имя, тип и описание:

Подробнее см. OBB документация класса.

Построение результатов

Сайт plot() метод в Results объектов облегчает визуализацию предсказаний, накладывая обнаруженные объекты (такие как ограничительные рамки, маски, ключевые точки и вероятности) на исходное изображение. Этот метод возвращает аннотированное изображение в виде массива NumPy, что позволяет легко отобразить его или сохранить.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

plot() Параметры метода

Сайт plot() Метод поддерживает различные аргументы для настройки вывода:

Выводы, безопасные для потоков

Обеспечение потокобезопасности при проведении выводов имеет решающее значение при параллельном выполнении нескольких моделей YOLO в разных потоках. Потокобезопасный вывод гарантирует, что предсказания каждого потока изолированы и не влияют друг на друга, что позволяет избежать условий гонки и обеспечить последовательные и надежные результаты.

При использовании моделей YOLO в многопоточном приложении важно инстанцировать отдельные объекты модели для каждого потока или использовать локальное хранение для потоков, чтобы избежать конфликтов:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results


# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image2.jpg")).start()

Для получения подробной информации о потокобезопасных выводах с помощью моделей YOLO и пошаговых инструкций, пожалуйста, обратитесь к нашему руководствуYOLO Thread-Safe Inference Guide. Это руководство предоставит вам всю необходимую информацию, чтобы избежать распространенных ошибок и обеспечить бесперебойную работу многопоточных выводов.

Источник потокового вещания for-петля

Вот скрипт Python , использующий OpenCV (cv2) и YOLO для проведения интерференции на видеокадрах. Этот сценарий предполагает, что вы уже установили необходимые пакеты (opencv-python и ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Open the video file
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

Этот скрипт будет выполнять предсказания на каждом кадре видео, визуализировать результаты и отображать их в окне. Цикл можно завершить, нажав 'q'.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Ultralytics YOLO и его режим предсказания для выводов в реальном времени?

Ultralytics YOLO это современная модель для обнаружения, сегментации и классификации объектов в режиме реального времени. Режим предсказания позволяет пользователям выполнять высокоскоростные выводы на различных источниках данных, таких как изображения, видео и живые потоки. Разработанный для обеспечения производительности и универсальности, он также предлагает режимы пакетной обработки и потоковой передачи данных. Более подробную информацию о его возможностях можно найти на сайте Ultralytics YOLO .

Как выполнить вывод с помощью Ultralytics YOLO на разных источниках данных?

Ultralytics YOLO может обрабатывать широкий спектр источников данных, включая отдельные изображения, видео, каталоги, URL и потоки. Вы можете указать источник данных в поле model.predict() звоните. Например, используйте 'image.jpg' для локального изображения или 'https://ultralytics.com/images/bus.jpg' для URL-адреса. Ознакомьтесь с подробными примерами для различных источники выводов в документации.

Как оптимизировать скорость вывода YOLO и использование памяти?

Чтобы оптимизировать скорость вывода и эффективно использовать память, вы можете использовать потоковый режим, установив stream=True в методе вызова предиктора. В потоковом режиме создается генератор, занимающий мало памяти Results объектов вместо загрузки всех кадров в память. Для обработки длинных видео или больших наборов данных потоковый режим особенно полезен. Узнайте больше о потоковый режим.

Какие аргументы в пользу умозаключений поддерживает Ultralytics YOLO ?

Сайт model.predict() Метод в YOLO поддерживает различные аргументы, такие как conf, iou, imgsz, device, и многое другое. Эти аргументы позволяют настраивать процесс вывода, задавая такие параметры, как пороги доверия, размер изображения и устройство, используемое для вычислений. Подробное описание этих аргументов можно найти в разделе аргументы для вывода раздел.

Как визуализировать и сохранить результаты прогнозов YOLO ?

После проведения анализа с помощью сайта YOLO, в Results Объекты содержат методы для отображения и сохранения аннотированных изображений. Вы можете использовать такие методы, как result.show() и result.save(filename="result.jpg") для визуализации и сохранения результатов. Полный список этих методов приведен в разделе работа с результатами раздел.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии