Вывод#

Ultralytics Platform предоставляет браузерный инференс для тестирования обученных моделей и выделенные конечные точки для программного доступа.

Вкладка Predict#

Каждая модель с весами содержит вкладку Predict для браузерного инференса:

1. Перейди к своей модели
2. Нажми вкладку Predict
3. Загрузи изображение, используй пример или открой веб-камеру
4. Просмотри наложение, сводку предсказаний, временные показатели и исходный ответ для конкретной задачи

Для моделей без весов вместо этого отображается пустое состояние — сначала обучи модель или загрузи веса.

Способы ввода#

Панель predict поддерживает несколько способов ввода:

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

Загрузить изображение#

Перетащи изображение или нажми, чтобы загрузить его:

• Поддерживаемые форматы: JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP
• Максимальный размер: 10 МБ
• Автоматический инференс: результаты появляются автоматически после загрузки

Примеры изображений#

Панель predict показывает до двух примеров изображений из связанного с моделью датасета, отдавая предпочтение сплиту val, затем test, а затем train. Если датасет не связан, используются примеры по умолчанию:

Для моделей OBB вместо этого отображаются аэрофотоснимки лодок и аэропорта.

Веб-камера#

Нажми карточку веб-камеры, чтобы запустить прямую трансляцию с камеры:

1. Предоставь доступ к камере, когда появится запрос
2. Нажми на предпросмотр видео, чтобы захватить кадр
3. Инференс автоматически запускается для захваченного кадра
4. Нажми ещё раз, чтобы перезапустить веб-камеру

Просмотр результатов#

Результаты инференса отображают вывод, соответствующий задаче модели: боксы, маски, ключевые точки, ориентированные боксы, оценки классификации, семантическое покрытие или карту глубины. Для результатов по объектам используются цвета классов датасета, если они доступны. Панель также показывает время предобработки, инференса, постобработки и работы сети.

Панель результатов показывает:

После появления результатов поверх предпросмотра доступны два элемента управления: нажми на изображение, чтобы увеличить его, сохранив наложения, и используй кнопку загрузки, чтобы сохранить аннотированный JPEG текущего результата.

Параметры инференса#

Настрой поведение инференса с помощью трёх ползунков под изображением:

Порог уверенности#

Фильтруй предсказания по уверенности:

• Выше (0.5+): меньше, но более уверенных предсказаний
• Ниже (0.1–0.25): больше предсказаний, часть из них может быть шумом
• По умолчанию (0.25): сбалансированное значение для большинства случаев

Порог IoU#

Управляй подавлением немаксимумов:

• Выше (0.7+): разрешает больше перекрывающихся боксов
• Ниже (0.3–0.5): более агрессивно подавляет перекрывающиеся детектирования
• По умолчанию (0.7): сбалансированное поведение NMS для большинства случаев

Predict для развёртывания#

Каждая работающая выделенная конечная точка содержит вкладку Predict непосредственно в своей карточке развёртывания. Она использует собственный сервис инференса развёртывания, а не общий сервис predict, что позволяет тестировать развёрнутую конечную точку в браузере.

На платном эндпоинте с включенным мониторингом обработанные изображения также попадают на вкладку «Мониторинг». Выборочные примеры и сводные графики на вкладке «Мониторинг» — это легкие временные данные, хранящиеся в памяти; остановка, перезапуск, повторный деплой, изменение размера или замена модели могут их стереть. Сохрани примеры в датасет, чтобы их не потерять.

API выделенной конечной точки#

Карточка API Docs на вкладке модели Predict содержит примеры запросов на Python, JavaScript и cURL, предварительно заполненные текущими значениями уверенности, IoU и размера изображения, заданными ползунками. URL и ключ являются заполнителями до развёртывания модели — кнопка Deploy рядом с вкладками кода переходит на вкладку модели Deploy. После развёртывания вкладка Code карточки развёртывания заполняется URL этой конечной точки и, для владельцев рабочего пространства, привязанным API-ключом, готовым к копированию и запуску.

Аутентификация#

Добавляй свой API-ключ в запросы:

Authorization: Bearer YOUR_API_KEY

Конечная точка#

Выделенные конечные точки принимают запросы по собственному URL:

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

Общий инференс использует API Platform с полным путём к модели:

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

Обе конечные точки принимают одинаковое тело multipart/form-data и возвращают ответы одинаковой структуры. При использовании Python SDK укажи client.models.predict(owner, project, model, body=...) для общего инференса или client.deployments.predict(owner, deployment, body=...) для выделенного развёртывания:

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})

Запрос#

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())

Параметры запроса#

Ответ#

{
    "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"
        }
    }
}

Поля ответа#

Ответы для конкретных задач#

Формат ответа зависит от задачи:

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

Ограничения частоты запросов#

Общий API моделей ограничен значением 20 запросов в минуту для каждого ключа API, авторизованного пользователя или анонимного IP-адреса. При ограничении частоты API возвращает 429 с заголовком Retry-After. Полный справочник по ограничениям частоты запросов для всех категорий конечных точек см. здесь.

Обработка ошибок#

Распространённые ответы с ошибками:

Часто задаваемые вопросы#