Mô hình dự đoán với Ultralytics YOLO

Giới thiệu

Trong thế giới của máy học và thị giác máy tính , quá trình tìm ra ý nghĩa từ dữ liệu trực quan được gọi là 'suy luận' hoặc 'dự đoán'. Ultralytics YOLO11 cung cấp một tính năng mạnh mẽ được gọi là chế độ dự đoán , được thiết kế riêng cho việc suy luận hiệu suất cao, thời gian thực trên nhiều nguồn dữ liệu.

Đồng hồ: Làm thế nào để trích xuất các đầu ra từ Ultralytics YOLO Mô hình cho các dự án tùy chỉnh.

Ứng dụng thực tế

Chế tạo	Thể thao	Sự an toàn
Phát hiện phụ tùng xe	Phát hiện cầu thủ bóng đá	Phát hiện người ngã

Tại sao sử dụng Ultralytics YOLO để suy luận?

Đây là lý do tại sao bạn nên cân nhắc YOLO11 chế độ dự đoán của 's cho các nhu cầu suy luận khác nhau của bạn:

• Tính linh hoạt: Có khả năng suy luận dựa trên hình ảnh, video và thậm chí cả phát trực tiếp.
• Hiệu suất: Được thiết kế để xử lý tốc độ cao theo thời gian thực mà không làm giảm độ chính xác .
• Dễ sử dụng: Trực quan Python Và CLI giao diện cho việc triển khai và thử nghiệm nhanh chóng.
• Có khả năng tùy chỉnh cao: Nhiều cài đặt và thông số khác nhau để điều chỉnh hành vi suy luận của mô hình theo yêu cầu cụ thể của bạn.

Các tính năng chính của chế độ dự đoán

YOLO11 Chế độ dự đoán được thiết kế mạnh mẽ và linh hoạt, có các tính năng:

• Khả năng tương thích với nhiều nguồn dữ liệu: Cho dù dữ liệu của bạn ở dạng hình ảnh riêng lẻ, tập hợp hình ảnh, tệp video hay luồng video thời gian thực, chế độ dự đoán đều có thể đáp ứng nhu cầu của bạn.
• Chế độ phát trực tuyến: Sử dụng tính năng phát trực tuyến để tạo ra một trình tạo hiệu quả về bộ nhớ Results đối tượng. Kích hoạt điều này bằng cách thiết lập stream=True trong phương thức gọi của trình dự đoán.
• Xử lý hàng loạt: Khả năng xử lý nhiều hình ảnh hoặc khung hình video trong một đợt duy nhất, giúp tăng tốc thời gian suy luận.
• Dễ tích hợp: Dễ dàng tích hợp với các đường ống dữ liệu hiện có và các thành phần phần mềm khác nhờ API linh hoạt.

Ultralytics YOLO các mô hình trả về một Python danh sách Results đối tượng, hoặc một bộ nhớ hiệu quả Python máy phát điện của Results các đối tượng khi stream=True được truyền cho mô hình trong quá trình suy luận:

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

Nguồn suy luận

YOLO11 có thể xử lý các loại nguồn đầu vào khác nhau để suy luận, như được hiển thị trong bảng bên dưới. Các nguồn bao gồm hình ảnh tĩnh, luồng video và nhiều định dạng dữ liệu khác nhau. Bảng cũng chỉ ra liệu mỗi nguồn có thể được sử dụng ở chế độ phát trực tuyến với đối số hay không stream=True ✅. Chế độ phát trực tuyến có lợi cho việc xử lý video hoặc phát trực tiếp vì nó tạo ra trình tạo kết quả thay vì tải tất cả khung hình vào bộ nhớ.

Dưới đây là các ví dụ mã để sử dụng từng loại nguồn:

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

Lập luận suy luận

model.predict() chấp nhận nhiều đối số có thể được truyền vào thời điểm suy luận để ghi đè các giá trị mặc định:

from ultralytics import YOLO

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

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

Lập luận suy luận:

Lập luận về hình ảnh:

Định dạng hình ảnh và video

YOLO11 hỗ trợ nhiều định dạng hình ảnh và video khác nhau, như được chỉ định trong ultralytics /data/utils.py . Xem các bảng bên dưới để biết các hậu tố hợp lệ và ví dụ về lệnh dự đoán.

Hình ảnh

Bảng dưới đây chứa các giá trị hợp lệ Ultralytics định dạng hình ảnh.

Video

Bảng dưới đây chứa các giá trị hợp lệ Ultralytics định dạng video.

Làm việc với Kết quả

Tất cả Ultralytics predict() các cuộc gọi sẽ trả về một danh sách Results các đối tượng:

from ultralytics import YOLO

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

# Run inference on an image
results = model("bus.jpg")  # list of 1 Results object
results = model(["bus.jpg", "zidane.jpg"])  # list of 2 Results objects

Results các đối tượng có các thuộc tính sau:

Results các đối tượng có các phương thức sau:

Để biết thêm chi tiết hãy xem Results tài liệu lớp học.

Hộp

Boxes đối tượng có thể được sử dụng để lập chỉ mục, thao tác và chuyển đổi các hộp giới hạn sang các định dạng khác nhau.

from ultralytics import YOLO

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

# Run inference on an image
results = model("bus.jpg")  # results list

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

Đây là một bảng cho Boxes các phương thức và thuộc tính của lớp, bao gồm tên, kiểu và mô tả của chúng:

Để biết thêm chi tiết hãy xem Boxes tài liệu lớp học.

Mặt nạ

Masks đối tượng có thể được sử dụng để lập chỉ mục, thao tác và chuyển đổi mặt nạ thành phân đoạn.

from ultralytics import YOLO

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

# Run inference on an image
results = model("bus.jpg")  # results list

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

Đây là một bảng cho Masks các phương thức và thuộc tính của lớp, bao gồm tên, kiểu và mô tả của chúng:

Để biết thêm chi tiết hãy xem Masks tài liệu lớp học.

Điểm chính

Keypoints Đối tượng có thể được sử dụng để lập chỉ mục, thao tác và chuẩn hóa tọa độ.

from ultralytics import YOLO

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

# Run inference on an image
results = model("bus.jpg")  # results list

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

Đây là một bảng cho Keypoints các phương thức và thuộc tính của lớp, bao gồm tên, kiểu và mô tả của chúng:

Để biết thêm chi tiết hãy xem Keypoints tài liệu lớp học.

Vấn đề

Probs đối tượng có thể được sử dụng chỉ mục, lấy top1 Và top5 chỉ số và điểm phân loại.

from ultralytics import YOLO

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

# Run inference on an image
results = model("bus.jpg")  # results list

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

Dưới đây là bảng tóm tắt các phương pháp và thuộc tính cho Probs lớp học:

Để biết thêm chi tiết hãy xem Probs tài liệu lớp học.

OBB

OBB đối tượng có thể được sử dụng để lập chỉ mục, thao tác và chuyển đổi các hộp giới hạn định hướng sang các định dạng khác nhau.

from ultralytics import YOLO

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

# Run inference on an image
results = model("boats.jpg")  # results list

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

Đây là một bảng cho OBB các phương thức và thuộc tính của lớp, bao gồm tên, kiểu và mô tả của chúng:

Để biết thêm chi tiết hãy xem OBB tài liệu lớp học.

Vẽ kết quả

Các plot() phương pháp trong Results objects tạo điều kiện trực quan hóa các dự đoán bằng cách phủ các đối tượng được phát hiện (như hộp giới hạn, mặt nạ, điểm chính và xác suất) lên hình ảnh gốc. Phương pháp này trả về hình ảnh được chú thích dưới dạng mảng NumPy, cho phép hiển thị hoặc lưu dễ dàng.

from PIL import Image

from ultralytics import YOLO

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

# Run inference on 'bus.jpg'
results = model(["bus.jpg", "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() Tham số phương pháp

Các plot() phương pháp này hỗ trợ nhiều đối số khác nhau để tùy chỉnh đầu ra:

Suy luận an toàn luồng

Đảm bảo an toàn luồng trong quá trình suy luận là rất quan trọng khi bạn đang chạy nhiều YOLO mô hình song song trên các luồng khác nhau. Suy luận an toàn luồng đảm bảo rằng các dự đoán của mỗi luồng được cô lập và không ảnh hưởng lẫn nhau, tránh tình trạng chạy đua và đảm bảo đầu ra nhất quán và đáng tin cậy.

Khi sử dụng YOLO mô hình trong ứng dụng đa luồng, điều quan trọng là phải khởi tạo các đối tượng mô hình riêng biệt cho mỗi luồng hoặc sử dụng bộ lưu trữ cục bộ luồng để ngăn ngừa xung đột:

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()

Để có cái nhìn sâu sắc hơn về suy luận an toàn luồng với YOLO mô hình và hướng dẫn từng bước, vui lòng tham khảo Hướng dẫn suy luận an toàn luồng YOLO của chúng tôi. Hướng dẫn này sẽ cung cấp cho bạn tất cả thông tin cần thiết để tránh những cạm bẫy phổ biến và đảm bảo suy luận đa luồng của bạn chạy trơn tru.

Nguồn phát trực tuyến for-vòng lặp

Đây là một Python tập lệnh sử dụng OpenCV (cv2) Và YOLO để chạy suy luận trên các khung video. Tập lệnh này giả định rằng bạn đã cài đặt các gói cần thiết (opencv-python Và 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()

Tập lệnh này sẽ chạy dự đoán trên từng khung hình của video, trực quan hóa kết quả và hiển thị chúng trong một cửa sổ. Có thể thoát khỏi vòng lặp bằng cách nhấn 'q'.

CÂU HỎI THƯỜNG GẶP

Là gì Ultralytics YOLO và chế độ dự đoán của nó để suy luận theo thời gian thực?

Ultralytics YOLO là một mô hình tiên tiến để phát hiện, phân đoạn và phân loại đối tượng theo thời gian thực. Chế độ dự đoán của nó cho phép người dùng thực hiện suy luận tốc độ cao trên nhiều nguồn dữ liệu khác nhau như hình ảnh, video và luồng trực tiếp. Được thiết kế để có hiệu suất và tính linh hoạt, nó cũng cung cấp chế độ xử lý hàng loạt và phát trực tuyến. Để biết thêm chi tiết về các tính năng của nó, hãy xem chế độ dự đoán YOLO Ultralytics .

Làm thế nào tôi có thể chạy suy luận bằng cách sử dụng Ultralytics YOLO trên các nguồn dữ liệu khác nhau?

Ultralytics YOLO có thể xử lý nhiều nguồn dữ liệu, bao gồm hình ảnh, video, thư mục, URL và luồng riêng lẻ. Bạn có thể chỉ định nguồn dữ liệu trong model.predict() gọi. Ví dụ, sử dụng 'image.jpg' cho một hình ảnh cục bộ hoặc 'https://ultralytics.com/images/bus.jpg' cho một URL. Kiểm tra các ví dụ chi tiết cho nhiều nguồn suy luận trong tài liệu.

Làm thế nào để tôi tối ưu hóa YOLO tốc độ suy luận và sử dụng bộ nhớ?

Để tối ưu hóa tốc độ suy luận và quản lý bộ nhớ hiệu quả, bạn có thể sử dụng chế độ phát trực tuyến bằng cách thiết lập stream=True trong phương pháp gọi của trình dự đoán. Chế độ phát trực tuyến tạo ra một trình tạo hiệu quả về bộ nhớ Results đối tượng thay vì tải tất cả các khung hình vào bộ nhớ. Để xử lý video dài hoặc tập dữ liệu lớn, chế độ phát trực tuyến đặc biệt hữu ích. Tìm hiểu thêm về chế độ phát trực tuyến.

Những lập luận suy luận nào Ultralytics YOLO ủng hộ?

Các model.predict() phương pháp trong YOLO hỗ trợ nhiều lập luận khác nhau như conf, iou, imgsz, device, và nhiều hơn nữa. Những đối số này cho phép bạn tùy chỉnh quá trình suy luận, thiết lập các tham số như ngưỡng tin cậy, kích thước hình ảnh và thiết bị được sử dụng để tính toán. Mô tả chi tiết về những đối số này có thể được tìm thấy trong lập luận suy luận phần.

Làm thế nào tôi có thể hình dung và lưu kết quả của YOLO dự đoán?

Sau khi chạy suy luận với YOLO , các Results các đối tượng chứa các phương pháp để hiển thị và lưu hình ảnh có chú thích. Bạn có thể sử dụng các phương pháp như result.show() Và result.save(filename="result.jpg") để trực quan hóa và lưu kết quả. Để biết danh sách đầy đủ các phương pháp này, hãy tham khảo làm việc với kết quả phần.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Bình luận