Rust için Ultralytics Inference
Ultralytics Inference, Rust ile yazılmış, yüksek performanslı bir YOLO çıkarım kütüphanesi ve komut satırı aracıdır. Dışa aktarılmış ONNX modellerini ONNX Runtime üzerinden çalıştırarak görüntüler, videolar, web kameraları ve akışlarda hızlı ve bellek güvenli tahminler sunar; çıkarım sırasında Python çalışma zamanı gerekmez.
Proje, iki şekilde kullanabileceğin tek bir crate olan ultralytics-inference olarak sunulur: hızlı tahminler ve toplu işler için CLI olarak ya da Rust uygulamana doğrudan gömülü bir kitaplık olarak. Tüm Ultralytics görevlerini ve tek tip bir aygıt arayüzü üzerinden çok çeşitli donanım arka uçlarını destekler. Tarayıcıda çıkarım için aynı depo @ultralytics/yolo npm paketini yayımlar; kurulum kılavuzuna göz at.
Neden Rust ile çıkarım?#
- Yerel hız ve küçük ayak izi. Yorumlayıcı gerektirmeyen yerel bir ikili dosyaya derlenir; sunucular, kapsayıcılar ve uç aygıtlar için idealdir.
- Bellek güvenliği. Rust'ın sahiplik modeli, çöp toplayıcı olmadan çalışma zamanı hatalarının pek çok türünü ortadan kaldırır.
- Tüm YOLO görevleri. Tek bir API üzerinden algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz ve OBB; ayrıca sahne metni OCR'ı ve büyük görüntüler için döşemeli çıkarım.
- Geniş donanım desteği. CPU'nun yanı sıra CUDA, TensorRT, CoreML, OpenVINO, DirectML, ROCm, MIGraphX ve XNNPACK yürütme sağlayıcıları derleme sırasında seçilir; yerel OpenVINO IR modelleri de desteklenir.
- GPU tarafında ön işleme. İsteğe bağlı birleştirilmiş CUDA çekirdeği, letterbox, normalleştirme ve düzen dönüştürme işlemlerini GPU'da çalıştırır ve aygıttan ayrılmadan sonucu modele iletir.
- Otomatik indirme. Bilinen YOLO model adları, OCR modelleri ve örnek varlıklar ilk kullanımda otomatik olarak indirilir.
- Python ile aynı çıktı. Maskeler, maske dış hatları ve çizilmiş sonuçlar Ultralytics Python paketindekiyle aynıdır; böylece
--save,plot()ile aynı görüntüyü üretir.
Bu sayfada bağımsız Rust crate'i anlatılır. Python iş akışı (eğitim, doğrulama, dışa aktarma ve tahmin) için ana Hızlı Başlangıç ve Tahmin modu sayfalarına göz at. Herhangi bir Ultralytics modelini ONNX entegrasyonuyla ONNX'e aktar, ardından burada çalıştır.
Kurulum#
Rust 1.92 veya üzeri gerekir. video özelliği ayrıca sistemde FFmpeg 6 ila 9'un kurulu olmasını gerektirir.
# Install the command-line tool from crates.io
cargo install ultralytics-inference
# Or with GPU support compiled in
cargo install ultralytics-inference --features cuda,tensorrtİkili dosya ~/.cargo/bin/ultralytics-inference (Linux ve macOS) veya Windows'ta %USERPROFILE%\.cargo\bin\ konumuna yerleştirilir.
CLI hızlı başlangıç#
CLI, predict alt komutunu sunar. Argüman verilmediğinde nano boyutlu bir algılama modelini ve örnek görüntüleri indirir, çıkarım çalıştırır ve açıklama eklenmiş sonuçları runs/detect/predict konumuna kaydeder.
# Detect on the built-in samples (downloads model and images)
ultralytics-inference predict
# Detect on your own image
ultralytics-inference predict --model yolo26n.onnx --source image.jpg
# Segmentation (auto-downloads yolo26n-seg.onnx)
ultralytics-inference predict --task segment --source image.jpg
# Pose on a video, shown live in a window
ultralytics-inference predict --task pose --source video.mp4 --show
# Depth estimation (auto-downloads yolo26n-depth.onnx)
ultralytics-inference predict --task depth --source image.jpg
# Tune thresholds and filter to specific classes
ultralytics-inference predict --source image.jpg --conf 0.5 --iou 0.45 --classes "0,1,2"
# Run a whole folder on the GPU in half precision
ultralytics-inference predict --source images/ --device cuda:0 --quantize 16
# Tile a large aerial image into overlapping 640 px windows to find small objects
ultralytics-inference predict --model yolo26n-obb.onnx --source aerial.jpg --tile 640
# Read scene text (auto-downloads yolo26n-text.onnx and the PaddleOCR models)
ultralytics-inference predict --ocr --source sign.jpg
# Thicker lines, no confidences in labels
ultralytics-inference predict --source image.jpg --line-width 4 --show-conf falseTüm predict bayrakları:
| Seçenek | Varsayılan | Açıklama |
|---|---|---|
--model, -m | yolo26n.onnx | ONNX modeli veya OpenVINO dışa aktarımının yolu; bilinen bir YOLO adı otomatik olarak indirilir. |
--task | detect | detect, segment, semantic, depth, classify, pose, obb değerlerinden biri; --model belirtilmezse nano modeli seçer. |
--source, -s | örnek | Görüntü, dizin, glob, video, web kamerası dizini, akış veya URL. |
--conf | 0.25 | Güven eşiği. |
--iou | 0.5 | Maksimum olmayan bastırma için IoU eşiği. |
--max-det | 300 | Görüntü başına en fazla tespit sayısı. |
--imgsz | model meta verileri | Çıkarım görüntüsü boyutu. |
--rect [<BOOL>] | true | En az dolguyla dikdörtgen çıkarımı. |
--tile [<TILE>] | kapalı | Örtüşen pencere çıkarımı için döşeme boyutu; tek başına kullanılan --tile, --imgsz değerini kullanır. Döşemeli çıkarım bölümüne bak. |
--retina-masks | false | Segmentasyon maskelerini çıkarım boyutu yerine özgün görüntü boyutunda oluştur. |
--ocr | false | Her kutu, yönlendirilmiş kutu veya maskenin içindeki metni PaddleOCR ile oku; --model olmadan yolo26n-text.onnx çalıştırılır. OCR bölümüne bak. |
--batch | 1 | Çıkarım için toplu iş boyutu. |
--quantize | model hassasiyeti | Çıkarım hassasiyeti: 8, 16, 32, int8, fp16, fp32, w8a8, w16a16, w32a32, w8a16 veya w8a32. |
--save [<BOOL>] | true | Açıklama eklenmiş sonuçları runs/<task>/predict konumuna kaydet. |
--save-frames | false | Video dosyası yerine video girdisi için ayrı kareleri kaydet. |
--save-json | false | Anlamsal segmentasyon sınıf haritası PNG dosyalarını kaydet. |
--show | false | Sonuçları bir pencerede göster. |
--show-labels [<BOOL>] | true | Kutu etiketlerinde sınıf adlarını göster. |
--show-conf [<BOOL>] | true | Kutu etiketlerinde güven değerlerini göster. |
--show-boxes [<BOOL>] | true | Kutuları ve etiketlerini çiz. |
--line-width | görüntü boyutundan | Piksel cinsinden kutu çizgi kalınlığı; etiket boyutunu da belirler. |
--device | otomatik | Yürütme aygıtı; örneğin cpu, cuda:0, tensorrt:0, coreml, intel:gpu, directml:0, rocm:0, migraphx:0, xnnpack. |
--verbose [<BOOL>] | true | Görüntü başına sonuçları ve zamanlamayı yazdır. |
--classes | tümü | Algılamaları sınıf kimliklerine göre filtrele; örneğin 0, "0,1,2" veya "[0, 1, 2]". |
[<BOOL>], değeri isteğe bağlı olan bir bayrağı belirtir: bayrağı tek başına (--rect) kullanmak değeri true olarak ayarlar; --rect false ise bayrağı kapatır. Eski --half bayrağı hâlâ kabul edilir, --quantize 16 ile eşlenir ve Python paketindekiyle aynı kullanımdan kaldırma uyarısını yazdırır.
Kütüphaneye hızlı başlangıç#
Bir model yükleyip tahmin çalıştır. Sınıf adları, görev türü ve görüntü boyutu gibi model meta verileri ONNX dosyasından otomatik olarak okunur.
use ultralytics_inference::YOLOModel;
fn main() -> Result<(), Box<dyn std::error::Error>> {
// Metadata (classes, task, imgsz) is parsed from the model.
let mut model = YOLOModel::load("yolo26n.onnx")?;
let results = model.predict("image.jpg")?;
for result in &results {
if let Some(boxes) = &result.boxes {
for i in 0..boxes.len() {
let class_id = boxes.cls()[i] as usize;
let conf = boxes.conf()[i];
let name = result.names.get(&class_id).map_or("unknown", |s| s.as_str());
println!("{name} {conf:.2}");
}
}
}
Ok(())
}Eşik değerlerini, görüntü boyutunu, hassasiyeti ve aygıtı builder API ile denetlemek için InferenceConfig kullan:
use ultralytics_inference::{Device, InferenceConfig, Quantization, YOLOModel};
let config = InferenceConfig::new()
.with_confidence(0.5)
.with_iou(0.45)
.with_imgsz(640, 640)
.with_device(Device::Cuda(0))
.with_quantize(Quantization::Fp16);
let mut model = YOLOModel::load_with_config("yolo26n.onnx", config)?;
let results = model.predict("image.jpg")?;Her görev, Results üzerinde farklı bir alanı doldurur. Aşağıdaki her sekme, çalıştırılmaya hazır eksiksiz bir programdır; model ve örnek girdiler ilk çalıştırmada otomatik olarak indirilir. Kendi dosyalarında çalıştırmak için predict_default() yerine predict("image.jpg") kullan.
use ultralytics_inference::YOLOModel;
fn main() -> Result<(), Box<dyn std::error::Error>> {
let mut model = YOLOModel::load("yolo26n.onnx")?;
let results = model.predict_default()?;
for result in &results {
if let Some(boxes) = &result.boxes {
println!("{} detections", boxes.len());
let xyxy = boxes.xyxy(); // rows of [x1, y1, x2, y2]
for i in 0..boxes.len() {
let class_id = boxes.cls()[i] as usize;
let name = result.names.get(&class_id).map_or("unknown", |s| s.as_str());
println!(" {name} {:.2} {:?}", boxes.conf()[i], xyxy.row(i).to_vec());
}
}
}
Ok(())
}Desteklenen görevler#
Tüm Ultralytics görevleri desteklenir. --model belirtilmezse seçilen görev için uygun nano model otomatik olarak indirilir.
| Görev | --task | Çıktı | Varsayılan model |
|---|---|---|---|
| Algılama | detect | Sınırlayıcı kutular ve sınıflar | yolo26n.onnx |
| Örnek segmentasyonu | segment | Kutular ve örnek başına maskeler | yolo26n-seg.onnx |
| Anlamsal segmentasyon | semantic | Piksel başına sınıf haritası | yolo26n-sem.onnx |
| Derinlik tahmini | depth | Metre cinsinden piksel başına derinlik haritası | yolo26n-depth.onnx |
| Sınıflandırma | classify | Sınıf olasılıkları | yolo26n-cls.onnx |
| Poz | pose | Kutular ve anahtar noktalar | yolo26n-pose.onnx |
| Yönlendirilmiş kutular | obb | Döndürülmüş sınırlayıcı kutular | yolo26n-obb.onnx |
--ocr, herhangi bir algılama, segmentasyon veya OBB modeline sahne metni okuma özelliği ekler; --model olmadan yolo26n-text.onnx metin algılayıcısını çalıştırır. Sahne metni OCR'ı bölümüne bak.
Model uyumluluğu#
ONNX'e aktarılmış herhangi bir Ultralytics modeli yerel bir dosyadan yüklenebilir. Standart YOLO26, YOLO11 ve YOLOv8 model adları için otomatik indirme, n, s, m, l ve x boyutlarında kullanılabilir:
| Model ailesi | Otomatik indirilebilir varyantlar |
|---|---|
| YOLO26 | yolo26{n,s,m,l,x}.onnx, -seg, -sem, -depth, -cls, -pose, -obb ve -text |
| YOLO11 | yolo11{n,s,m,l,x}.onnx, -seg, -cls, -pose ve -obb |
| YOLOv8 | yolov8{n,s,m,l,x}.onnx, -seg, -cls, -pose ve -obb |
Anlamsal segmentasyon (-sem), derinlik tahmini (-depth) ve -text sahne metni algılayıcıları yalnızca YOLO26'da kullanılabilir. --ocr tarafından kullanılan PaddleOCR PP-OCRv6_medium_rec.onnx tanıyıcısı ve PP-LCNet_x0_25_textline_ori.onnx yön sınıflandırıcısı (Apache-2.0) da otomatik olarak indirilir. RT-DETR algılama modelleri de çalışır ancak otomatik olarak indirilmez: önce bir modeli ONNX'e aktar. Yerel OpenVINO IR dışa aktarımları openvino-native özelliğiyle çalışır; OpenVINO IR modelleri bölümüne bak.
Girdi kaynakları#
--source bağımsız değişkeni (ve kütüphanedeki Source türü), dizgeden otomatik algılanan birçok girdi türünü kabul eder:
| Kaynak | Örnek | Notlar |
|---|---|---|
| Görüntü | image.jpg | Tek dosya. |
| Dizin | images/ | Klasördeki tüm görüntüler. |
| Glob | images/*.jpg | Kabuk tarzı desen. |
| Video | video.mp4 | video özelliğini gerektirir. |
| Web Kamerası | 0 | video özelliğini gerektirir. |
| Akış | rtsp://... | video özelliğini gerektirir. |
| URL | https://example.com/image.jpg | Uzak görüntü indirme. |
Döşemeli çıkarım#
Hava veya uydu fotoğrafları gibi küçük nesneler içeren büyük görüntüler, örtüşen pencerelere bölünüp Python'daki tile bağımsız değişkeniyle aynı şekilde tek bir sonuçta birleştirilebilir. Pencereler %20 örtüşür, kutular kaynak görüntüye geri eşlenir ve yinelenen kutular sınıf başına kaldırılır. Dinamik toplu dışa aktarımla --batch, tek bir çıkarım çağrısında birden çok pencereyi işler. Tüm görevler desteklenir.
# 640 px windows; a bare --tile uses --imgsz
ultralytics-inference predict --model yolo26n-obb.onnx --source aerial.jpg --tile 640use ultralytics_inference::{InferenceConfig, YOLOModel};
// with_tile(0) uses the inference size
let config = InferenceConfig::new().with_tile(640);
let mut model = YOLOModel::load_with_config("yolo26n.onnx", config)?;
let results = model.predict("aerial.jpg")?;Sahne metni OCR'ı#
YOLO26-Text algılayıcıları, sözcükleri döndürülmüş kutular olarak bulur; TextRecognizer ise bu sözcükleri Python OCR çözümündeki tanıyıcıyla aynı olan PaddleOCR PP-OCRv6 ile okur. Algılama modellerinin kutuları ve segmentasyon modellerinin maskeleri de kullanılabilir: maske, dış sınırının çevresindeki en küçük alanlı dikdörtgenden okunur ve dış sınır çokgen olarak korunur. Her kırpım dik konuma getirilir; yön sınıflandırıcısının baş aşağı bulduğu metinler ters çevrilip yeniden okunur ve metinler okuma sırasına göre döndürülür. Tanıyıcı, algılayıcının aygıtında çalışır.
# Auto-downloads yolo26n-text.onnx and the PaddleOCR models
ultralytics-inference predict --ocr --source sign.jpg
# Any size of the text detector, on the GPU
ultralytics-inference predict --ocr --model yolo26x-text.onnx --source sign.jpg --device cuda:0Kitaplık örneği görüntüyü image paketiyle yükler; bu nedenle cargo add image ile paketi de ekle.
use ultralytics_inference::YOLOModel;
use ultralytics_inference::ocr::{DEFAULT_ORIENTATION, DEFAULT_RECOGNIZER, TextRecognizer};
let mut detector = YOLOModel::load("yolo26n-text.onnx")?;
let mut ocr = TextRecognizer::new(&detector, DEFAULT_RECOGNIZER, DEFAULT_ORIENTATION)?;
let image = image::open("sign.jpg")?;
let result = detector.predict_image(&image, "sign.jpg".into())?.remove(0);
for text in ocr.read(&image, &result)? {
println!("{} {:.2} {:?}", text.text, text.confidence, text.polygon);
}predict --ocr, her metni Python çözümündeki gibi çizer; --line-width, --show-labels ve --show-conf de metne uygulanır.
Aygıtlar ve yürütme sağlayıcıları#
GPU ve hızlandırıcı arka uçları, Cargo özellikleri olarak derlemeye eklenir ve çalışma zamanında --device (CLI) veya Device (kütüphane) ile seçilir. Bir aygıt belirtilmezse derlemeye eklenen sağlayıcılar sabit bir tercih sırasıyla kaydedilir (önce TensorRT, sonra CUDA vb.); bu nedenle yalnızca varsayılan özellikleri içeren bir derleme CPU'da çalışır.
| Aygıt dizgesi | Device varyantı | Derleme özelliği | Donanım |
|---|---|---|---|
cpu | Device::Cpu | yerleşik | Herhangi bir CPU |
cuda:0 | Device::Cuda(0) | cuda | NVIDIA GPU |
tensorrt:0 | Device::TensorRt(0) | tensorrt | Optimize edilmiş NVIDIA GPU |
coreml | Device::CoreMl | coreml | Apple Silicon / macOS |
intel:cpu | Device::IntelCpu | openvino veya openvino-native | Intel CPU |
intel:gpu | Device::IntelGpu | openvino veya openvino-native | Intel GPU |
intel:npu | Device::IntelNpu | openvino veya openvino-native | Intel NPU |
directml:0 | Device::DirectMl(0) | directml | Windows GPU |
rocm:0 | Device::Rocm(0) | rocm | AMD GPU |
migraphx:0 | Device::MiGraphX(0) | migraphx | AMD GPU (Linux x64) |
xnnpack | Device::Xnnpack | xnnpack | Optimize edilmiş CPU |
# Build the CLI with the providers you need
cargo install ultralytics-inference --features cuda,tensorrtOpenVINO IR modelleri#
openvino-native özelliğiyle --model, yerel bir OpenVINO dışa aktarımını, yolo export format=openvino aracından alınan .xml dosyasını veya klasörünü de kabul eder ve bunu ONNX Runtime yerine OpenVINO çalışma zamanı üzerinden çalıştırır. Tüm görevler intel:cpu, intel:gpu ve intel:npu üzerinde çalışır; kitaplık modeli YOLOModel::load("yolo26n_openvino_model") ile yükler. Derleme için OpenVINO yüklemek gerekmez; çalışma zamanı ilk model açıldığında yüklenir. Kurulum için OpenVINO kılavuzuna bak.
yolo export model=yolo26n.pt format=openvino # add quantize=16, quantize=8, dynamic=True, or batch=4
ultralytics-inference predict --model yolo26n_openvino_model --source bus.jpg --device intel:gpuGPU hızlandırması ve CUDA ön işleme#
NVIDIA donanımında cuda özelliği CUDA yürütme sağlayıcısını etkinleştirir; tensorrt ise daha fazla optimizasyon için TensorRT sağlayıcısını ekler (cuda de buna dahildir ve OCR tanıyıcısını da çalıştırır). Mümkün olan en düşük çıkarım gecikmesi için cuda-preprocess özelliği ön işlemeyi GPU'ya taşır.
cuda-preprocess, harf kutusu boyutlandırmasını, normalleştirmeyi ve HWC'den CHW'ye düzen dönüşümünü tek bir birleştirilmiş CUDA çekirdeği olarak çalıştırır, ardından sonucu sıfır kopyalı bir aygıt tensörü olarak modele iletir. Ham 8 bitlik kare, ayrı GPU'larda sabitlenmiş bir hazırlama arabelleği üzerinden GPU'ya yüklenmeye devam eder. Çekirdeğin ortadan kaldırdığı işlemler CPU'daki boyutlandırma, normalleştirme ve düzen dönüşümü ile ön işlenmiş tensörün ayrıca yüklenmesidir; bunlar özellikle yüksek verimli toplu işlemlerde ve gerçek zamanlı akışlarda önem taşır.
# Build with fused GPU preprocessing (implies cuda + tensorrt)
cargo build --release --features cuda-preprocessAşağıdaki koşulların tümü sağlandığında hızlı yol, API'de değişiklik gerektirmeden otomatik olarak kullanılır: özellik derlemeye dahil edilmiş olmalı, aygıt CUDA, TensorRT veya belirtilmemiş olmalı, görev algılama, segmentasyon, anlamsal segmentasyon (yalnızca tek görüntüler), derinlik tahmini, poz veya OBB olmalı ve model FP32 girişi kullanmalıdır. Bu özellik varsayılan olarak etkindir ve model başına kapatılabilir:
use ultralytics_inference::{Device, InferenceConfig};
let config = InferenceConfig::new()
.with_device(Device::TensorRt(0))
.with_cuda_preprocess(false); // force CPU preprocessingcuda-preprocess, derleme sırasında uyumlu bir CUDA araç takımı gerektirir ve birleştirilmiş ön işleme çekirdeği için çalışma zamanında NVRTC kullanır. Sürüm gereksinimleri ve sorun giderme bilgileri için CUDA ve TensorRT hızlandırma kılavuzuna bak.
Cargo özellikleri#
Özellikler derleme sırasında etkinleştirilir. Varsayılanlar açıklama ekleme ve canlı görüntüleme özelliklerini kapsar.
| Özellik | Varsayılan | Amaç |
|---|---|---|
annotate | evet | Kutuları, maskeleri, kilit noktalarını, etiketleri ve OCR metinlerini çiz; --save için gereklidir. |
visualize | evet | --show için gerçek zamanlı pencere görüntüleme. |
video | hayır | Video dosyalarını oku ve yaz (FFmpeg 6–9 gerektirir). |
cuda | hayır | NVIDIA CUDA yürütme sağlayıcısı. |
tensorrt | hayır | NVIDIA TensorRT yürütme sağlayıcısı (cuda dahildir). |
cuda-preprocess | hayır | Birleştirilmiş GPU ön işleme (cuda ve tensorrt'yi etkinleştirir; CUDA araç seti gerekir). |
coreml | hayır | Apple CoreML yürütme sağlayıcısı. |
openvino | hayır | Intel OpenVINO yürütme sağlayıcısı (Linux ve Windows x64). |
openvino-native | hayır | OpenVINO çalışma zamanı üzerinden yerel OpenVINO IR (.xml) modelleri. |
rocm | hayır | AMD ROCm yürütme sağlayıcısı (kendi ONNX Runtime derlemen gerekir). |
migraphx | hayır | AMD MIGraphX yürütme sağlayıcısı (Linux x64). |
directml | hayır | Windows DirectML yürütme sağlayıcısı. |
xnnpack | hayır | Optimize edilmiş CPU çıkarımı için XNNPACK yürütme sağlayıcısı. |
Kolaylık grupları, ilişkili sağlayıcıları bir araya getirir: nvidia (cuda, tensorrt), amd (rocm, migraphx), intel (openvino, onednn), mobile (nnapi, coreml, qnn) ve all (annotate, visualize, video). onednn, nnapi, qnn, acl, tvm, rknpu, cann, webgpu ve azure ek sağlayıcıları da kullanılabilir.
CLI'yi yüklerken veya kütüphaneyi eklerken özellikleri etkinleştir:
cargo install ultralytics-inference --features video
cargo install ultralytics-inference --features cuda,tensorrt[dependencies]
ultralytics-inference = { version = "0.0.58", features = ["video"] }Çıktı ve kaydetme#
Varsayılan olarak tahminlere açıklama eklenir ve sonuçlar numarası otomatik artan bir çalıştırma dizinine kaydedilir:
runs/
└── detect/
└── predict/ # then predict2, predict3, ...
└── image.jpg # annotated resultAlt klasör görevle eşleşir (runs/segment/, runs/pose/ vb.). Video kaynakları için açıklama eklenmiş çıktı video dosyası olarak yazılır; bunun yerine ayrı kareler yazmak için --save-frames değerini ilet. semantic görevi için --save-json, piksel başına sınıf haritası PNG dosyalarını results/ alt klasörüne yazar. depth görevi için renklendirilmiş derinlik haritası kaynak görüntünün üzerine bindirilir ve Ultralytics Python plot() çıktısıyla eşleşir. Açıklama eklenmiş görüntü ve video kaydı için annotate özelliği gerekir; anlamsal sınıf haritası PNG dışa aktarımı için gerekmez. Video girdisi ve çıktısı için video özelliği gerekir.
Çizim, Python'daki Results.plot() davranışını izler: çizgi kalınlığı varsayılan olarak görüntünün ortalama kenar uzunluğunun %0,3'üdür (en az 2 px); etiketler her kutunun üzerine, yer yoksa kutunun içine yerleştirilir ve örnek maskeler de aynı şekilde harmanlanır. Böylece kaydedilen görüntüler Python'dakiyle eşleşir. --line-width, --show-labels, --show-conf ve --show-boxes, aynı adlı Python bağımsız değişkenleri gibi çalışır. Kitaplıkta bunları AnnotateOptions üzerinden ilet:
use ultralytics_inference::annotate::{AnnotateOptions, annotate_image_with_options};
let options = AnnotateOptions {
line_width: Some(3),
show_conf: false,
..Default::default()
};
let annotated = annotate_image_with_options(&image, &results[0], &options);Segmentasyon maskeleri Python'daki gibi çıkarım boyutunda oluşturulur; bunları özgün görüntü boyutunda oluşturmak için --retina-masks (veya InferenceConfig::with_retina_masks(true)) ilet.
Sık Sorulan Sorular#
Hayır. Bu crate, dışa aktarılmış ONNX modellerini doğrudan ONNX Runtime üzerinden çalıştırır. Python yalnızca modelleri önceden Ultralytics paketiyle eğitmek veya dışa aktarmak için gerekir.
Örneğin ONNX entegrasyonunu kullanarak Python paketinden dışa aktarabilir veya CLI'nin seçilen görev için standart bir nano modeli ilk çalıştırmada indirmesini sağlayabilirsin.
Evet.
--ocr, Python'daki OCR çözümü gibi YOLO26-Text algılayıcısı ve PaddleOCR ile sahne metnini okur; ayrıca kendi algılama ve segmentasyon modellerinin kutuları veya maskeleri üzerinde de çalışır. Sahne metni OCR'ı bölümüne bak.Döşemeli çıkarımı kullan:
--tile 640, görüntüyü örtüşen 640 px pencerelere böler ve algılamaları tek bir sonuçta birleştirir.Sistemde
videoözelliği etkin ve FFmpeg 6 ile 9 arasında bir sürüm yüklüyse evet. Bu, video dosyalarını, web kameralarını ve RTSP/RTMP/HTTP akışlarını kapsar.Her ikisi de varsayılan olarak etkindir.
annotate, görüntüye kutular, maskeler, kilit noktaları ve sınıf etiketleri çizer ve açıklama eklenmiş sonuçları yazmak için--saveözelliği gereklidir.visualize,--showiçin canlı bir pencere açar. Yalnızca sonuçları programatik olarak döndüren daha küçük, başsız bir derleme için bu özelliklericargo build --no-default-featuresile devre dışı bırak (gerektikçe özellikleri tek tek yeniden etkinleştir).Bu sayfa üst düzey bir genel bakış sunar. Herkese açık tüm struct'ların, metotların ve yapılandırma seçeneklerinin tür bazında eksiksiz API başvuru belgesi, doğrudan kaynak kodundan oluşturularak docs.rs üzerinde yayımlanır.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.