14 KiB

Raw Blame History

comments	description	keywords
true	Descubra cómo utilizar el modo predictivo de YOLOv8 para diversas tareas. Aprenda acerca de diferentes fuentes de inferencia como imágenes, videos y formatos de datos.	Ultralytics, YOLOv8, modo predictivo, fuentes de inferencia, tareas de predicción, modo de transmisión, procesamiento de imágenes, procesamiento de videos, aprendizaje automático, IA

Predicción del Modelo con YOLO de Ultralytics

Ecosistema de YOLO de Ultralytics e integraciones

Introducción

En el mundo del aprendizaje automático y la visión por computadora, el proceso de dar sentido a los datos visuales se denomina 'inferencia' o 'predicción'. YOLOv8 de Ultralytics ofrece una característica poderosa conocida como modo predictivo que está diseñada para inferencias de alto rendimiento y en tiempo real en una amplia gama de fuentes de datos.

Ver: Cómo Extraer las Salidas del Modelo YOLOv8 de Ultralytics para Proyectos Personalizados.

Aplicaciones en el Mundo Real

Manufactura	Deportes	Seguridad

Detección de Repuestos de Vehículos	Detección de Jugadores de Fútbol	Detección de Caídas de Personas

¿Por Qué Utilizar YOLO de Ultralytics para la Inferencia?

Estas son algunas razones para considerar el modo predictivo de YOLOv8 para sus necesidades de inferencia:

Versatilidad: Capaz de realizar inferencias en imágenes, videos e incluso transmisiones en vivo.
Rendimiento: Diseñado para procesamiento en tiempo real y de alta velocidad sin sacrificar precisión.
Facilidad de Uso: Interfaces de Python y CLI intuitivas para una rápida implementación y pruebas.
Alta Personalización: Diversos ajustes y parámetros para afinar el comportamiento de inferencia del modelo según sus requisitos específicos.

Características Principales del Modo Predictivo

El modo predictivo de YOLOv8 está diseñado para ser robusto y versátil, y cuenta con:

Compatibilidad con Múltiples Fuentes de Datos: Ya sea que sus datos estén en forma de imágenes individuales, una colección de imágenes, archivos de video o transmisiones de video en tiempo real, el modo predictivo le tiene cubierto.
Modo de Transmisión: Utilice la función de transmisión para generar un generador eficiente de memoria de objetos Results. Active esto configurando stream=True en el método de llamada del predictor.
Procesamiento por Lotes: La capacidad de procesar múltiples imágenes o fotogramas de video en un solo lote, acelerando aún más el tiempo de inferencia.
Amigable para la Integración: Se integra fácilmente con pipelines de datos existentes y otros componentes de software, gracias a su API flexible.

Los modelos YOLO de Ultralytics devuelven ya sea una lista de objetos Results de Python, o un generador de objetos Results de Python eficiente en memoria cuando se pasa stream=True al modelo durante la inferencia:

!!! Example "Predict"

=== "Devolver una lista con `stream=False`"
    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.pt')  # modelo YOLOv8n preentrenado

    # Ejecutar inferencia por lotes en una lista de imágenes
    results = model(['im1.jpg', 'im2.jpg'])  # devuelve una lista de objetos Results

    # Procesar lista de resultados
    for result in results:
        boxes = result.boxes  # Objeto Boxes para salidas de bbox
        masks = result.masks  # Objeto Masks para salidas de máscaras de segmentación
        keypoints = result.keypoints  # Objeto Keypoints para salidas de postura
        probs = result.probs  # Objeto Probs para salidas de clasificación
    ```

=== "Devolver un generador con `stream=True`"
    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n.pt')  # modelo YOLOv8n preentrenado

    # Ejecutar inferencia por lotes en una lista de imágenes
    results = model(['im1.jpg', 'im2.jpg'], stream=True)  # devuelve un generador de objetos Results

    # Procesar generador de resultados
    for result in results:
        boxes = result.boxes  # Objeto Boxes para salidas de bbox
       .masks = result.masks  # Objeto Masks para salidas de máscaras de segmentación
        keypoints = result.keypoints  # Objeto Keypoints para salidas de postura
        probs = result.probs  # Objeto Probs para salidas de clasificación
    ```

Fuentes de Inferencia

YOLOv8 puede procesar diferentes tipos de fuentes de entrada para la inferencia, como se muestra en la tabla a continuación. Las fuentes incluyen imágenes estáticas, transmisiones de video y varios formatos de datos. La tabla también indica si cada fuente se puede utilizar en modo de transmisión con el argumento stream=True ✅. El modo de transmisión es beneficioso para procesar videos o transmisiones en vivo ya que crea un generador de resultados en lugar de cargar todos los fotogramas en la memoria.

!!! Tip "Consejo"

Utilice `stream=True` para procesar videos largos o conjuntos de datos grandes para gestionar eficientemente la memoria. Cuando `stream=False`, los resultados de todos los fotogramas o puntos de datos se almacenan en la memoria, lo que puede aumentar rápidamente y causar errores de memoria insuficiente para entradas grandes. En contraste, `stream=True` utiliza un generador, que solo mantiene los resultados del fotograma o punto de datos actual en la memoria, reduciendo significativamente el consumo de memoria y previniendo problemas de falta de memoria.

Fuente	Argumento	Tipo	Notas
imagen	`'image.jpg'`	`str` o `Path`	Archivo único de imagen.
URL	`'https://ultralytics.com/images/bus.jpg'`	`str`	URL a una imagen.
captura de pantalla	`'screen'`	`str`	Captura una captura de pantalla.
PIL	`Image.open('im.jpg')`	`PIL.Image`	Formato HWC con canales RGB.
OpenCV	`cv2.imread('im.jpg')`	`np.ndarray`	Formato HWC con canales BGR `uint8 (0-255)`.
numpy	`np.zeros((640,1280,3))`	`np.ndarray`	Formato HWC con canales BGR `uint8 (0-255)`.
torch	`torch.zeros(16,3,320,640)`	`torch.Tensor`	Formato BCHW con canales RGB `float32 (0.0-1.0)`.
CSV	`'sources.csv'`	`str` o `Path`	Archivo CSV que contiene rutas a imágenes, videos o directorios.
video ✅	`'video.mp4'`	`str` o `Path`	Archivo de video en formatos como MP4, AVI, etc.
directorio ✅	`'path/'`	`str` o `Path`	Ruta a un directorio que contiene imágenes o videos.
glob ✅	`'path/*.jpg'`	`str`	Patrón glob para coincidir con múltiples archivos. Utilice el carácter `*` como comodín.
YouTube ✅	`'https://youtu.be/LNwODJXcvt4'`	`str`	URL a un video de YouTube.
transmisión ✅	`'rtsp://example.com/media.mp4'`	`str`	URL para protocolos de transmisión como RTSP, RTMP, TCP o una dirección IP.
multi-transmisión ✅	`'list.streams'`	`str` o `Path`	Archivo de texto `*.streams` con una URL de transmisión por fila, es decir, 8 transmisiones se ejecutarán con tamaño de lote 8.

A continuación se muestran ejemplos de código para usar cada tipo de fuente:

!!! Example "Fuentes de predicción"

=== "imagen"
    Ejecute inferencia en un archivo de imagen.
    ```python
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Definir la ruta al archivo de imagen
    source = 'ruta/a/imagen.jpg'

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "captura de pantalla"
    Ejecute inferencia en el contenido actual de la pantalla como captura de pantalla.
    ```python
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Definir captura de pantalla actual como fuente
    source = 'screen'

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "URL"
    Ejecute inferencia en una imagen o video alojados remotamente a través de URL.
    ```python
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Definir URL remota de imagen o video
    source = 'https://ultralytics.com/images/bus.jpg'

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "PIL"
    Ejecute inferencia en una imagen abierta con la Biblioteca de Imágenes de Python (PIL).
    ```python
    from PIL import Image
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Abrir una imagen usando PIL
    source = Image.open('ruta/a/imagen.jpg')

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "OpenCV"
    Ejecute inferencia en una imagen leída con OpenCV.
    ```python
    import cv2
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Leer una imagen usando OpenCV
    source = cv2.imread('ruta/a/imagen.jpg')

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "numpy"
    Ejecute inferencia en una imagen representada como un array de numpy.
    ```python
    import numpy as np
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Crear un array aleatorio de numpy con forma HWC (640, 640, 3) con valores en rango [0, 255] y tipo uint8
    source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype='uint8')

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

=== "torch"
    Ejecute inferencia en una imagen representada como un tensor de PyTorch.
    ```python
    import torch
    from ultralytics import YOLO

    # Cargar el modelo YOLOv8n preentrenado
    model = YOLO('yolov8n.pt')

    # Crear un tensor aleatorio de torch con forma BCHW (1, 3, 640, 640) con valores en rango [0, 1] y tipo float32
    source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

    # Ejecutar inferencia en la fuente
    results = model(source)  # lista de objetos Results
    ```

14 KiB Raw Blame History