Link to this sectionInference#

Ultralytics Platform предоставляет API для вывода (инференса) для тестирования обученных моделей. Используй вкладку Predict в браузере для быстрой проверки или REST API для программного доступа.

Link to this sectionВкладка Предсказание (Predict)#

У каждой модели есть вкладка Predict для вывода в браузере:

1. Перейди к своей модели
2. Нажми на вкладку Predict
3. Загрузи изображение, воспользуйся примером или включи веб-камеру
4. Смотри предсказания мгновенно с наложенными рамками объектов

Link to this sectionМетоды ввода#

Панель прогнозирования поддерживает несколько методов ввода:

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

Link to this sectionЗагрузить изображение#

Перетащи или нажми для загрузки:

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

Link to this sectionПримеры изображений#

На панели прогнозирования отображаются примеры изображений из связанного набора данных твоей модели. Если набор данных не связан, используются стандартные примеры:

Для моделей OBB вместо них отображаются снимки с воздуха, на которых запечатлены лодки и аэропорты.

Link to this sectionВеб-камера#

Нажми на карточку веб-камеры, чтобы запустить трансляцию:

1. Предоставь разрешение на использование камеры, когда появится запрос
2. Нажми на предварительный просмотр видео, чтобы захватить кадр
3. Инференс автоматически запустится для захваченного кадра
4. Нажми еще раз, чтобы перезапустить веб-камеру

Link to this sectionПросмотр результатов#

Результаты инференса отображают:

• Bounding boxes (граничные рамки) с метками классов в виде наложения SVG
• Оценки достоверности для каждого обнаружения
• Цвета классов из цветовой палитры твоего набора данных (или стандартной палитры Ultralytics)
• Разбивка по времени: Время предобработки, инференса, постобработки и работы сети

На панели результатов отображается:

Link to this sectionПараметры инференса#

Настраивай поведение обнаружения с помощью параметров в раскрывающемся разделе Parameters:

Link to this sectionПорог достоверности (Confidence Threshold)#

Фильтрация предсказаний по уверенности:

• Выше (0.5+): Меньше предсказаний, но они более точные
• Ниже (0.1-0.25): Больше предсказаний, возможен шум
• По умолчанию (0.25): Сбалансировано для большинства случаев использования

Link to this sectionПорог IoU#

Управление Non-Maximum Suppression (NMS):

• Выше (0.7+): Разрешить больше пересекающихся рамок
• Ниже (0.3-0.5): Более агрессивное объединение близко расположенных обнаружений
• По умолчанию (0.7): Сбалансированное поведение NMS для большинства случаев использования

Link to this sectionИнференс развертывания (Deployment Predict)#

Каждая запущенная выделенная конечная точка включает вкладку Predict прямо на карточке развертывания. Она использует сервис инференса самого развертывания, а не общий сервис прогнозирования, что позволяет тестировать развернутую конечную точку из браузера.

Link to this sectionREST API#

Программный доступ к инференсу:

Link to this sectionАутентификация#

Включай свой API-ключ в запросы:

Authorization: Bearer YOUR_API_KEY

Link to this sectionЭндпоинт#

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

Link to this sectionЗапрос#

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())

Link to this sectionПараметры запроса#

Link to this sectionОтвет#

{
    "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.x.x",
            "torch": "2.6.0",
            "torchvision": "0.21.0",
            "python": "3.13.0"
        }
    }
}

Link to this sectionПоля ответа#

Link to this sectionОтветы, специфичные для задачи#

Формат ответа зависит от задачи:

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

Link to this sectionБиллинг#

Общий инференс (вкладка Predict и эндпоинт /api/models/{id}/predict) включен без дополнительной оплаты во все тарифные планы. Плата за каждый запрос для общего инференса отсутствует.

Для производственных задач, требующих более высокой пропускной способности, разверни выделенный эндпоинт.

Link to this sectionОграничения частоты запросов#

Для общего инференса установлено ограничение частоты запросов: 20 запросов/мин на API-ключ. При превышении лимита API возвращает 429 с заголовком Retry-After. Ознакомься с полным справочником лимитов запросов для всех категорий эндпоинтов.

Link to this sectionОбработка ошибок#

Типичные ответы об ошибках:

Link to this sectionFAQ#

Link to this sectionМожно ли запустить инференс на видео?#

Оба метода инференса принимают видеофайлы:

• Выделенные эндпоинты напрямую принимают видеофайлы. Поддерживаемые форматы (до 100 МБ): ASF, AVI, GIF, M4V, MKV, MOV, MP4, MPEG, MPG, TS, WEBM, WMV. Каждый кадр обрабатывается индивидуально, и результаты возвращаются для каждого кадра. Подробности см. в разделе выделенные эндпоинты.
• Общий инференс (/api/models/{id}/predict) использует тот же сервис прогнозирования и принимает те же форматы видео. Однако вкладка Predict в браузере в UI позволяет загружать только изображения — используй REST API напрямую или выделенный эндпоинт для видеопотоков. Общий эндпоинт также ограничен 20 запросами/мин, поэтому для интенсивных видеозадач лучше использовать выделенные эндпоинты.

Link to this sectionКак получить аннотированное изображение?#

API возвращает предсказания в формате JSON. Для визуализации:

1. Используй предсказания, чтобы отрисовать рамки локально
2. Используй метод plot() от Ultralytics:

from ultralytics import YOLO

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

Смотри документацию по режиму Predict для получения полного API результатов и опций визуализации.

Link to this sectionКаков максимальный размер изображения?#

• Лимит загрузки: 10 МБ
• Рекомендуется: <5 МБ для быстрого инференса
• Автоизменение размера: изображения масштабируются до выбранного параметра Image Size

Большие изображения автоматически изменяются в размере с сохранением соотношения сторон.

Link to this sectionМогу ли я запустить пакетный инференс?#

Текущий API обрабатывает по одному изображению за запрос. Для пакетной обработки:

1. Отправляй параллельные запросы
2. Используй выделенный эндпоинт для более высокой пропускной способности
3. Рассмотри возможность локального инференса для больших пакетов

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))