Vorhersage für ein Bild

Vorhersage ausführen und jede Erkennung ausgeben#

Wenn du das Modell auf eine Quelle anwendest, wird der Vorhersagemodus ausgeführt und eine Liste mit einem Results-Objekt pro Bild zurückgegeben. Bei einem einzelnen Bild liest du results[0] aus.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

result = results[0]
for box in result.boxes:
    name = result.names[int(box.cls)]
    conf = float(box.conf)
    x1, y1, x2, y2 = box.xyxy[0].tolist()
    print(f"{name:>8} {conf:.2f}  ({x1:.0f}, {y1:.0f}) -> ({x2:.0f}, {y2:.0f})")

result.save("bus_annotated.jpg")

Tatsächliche Ausgabe von predict.py nach der üblichen Protokollzeile:

     bus 0.88  (0, 230) -> (803, 751)
  person 0.87  (49, 398) -> (240, 902)
  person 0.86  (223, 405) -> (345, 861)
  person 0.85  (670, 395) -> (810, 880)
  person 0.65  (0, 553) -> (60, 871)

So liest du sie aus:

• bus 0.88: Klassenname und Konfidenz. Die Boxen sind nach Konfidenz sortiert, beginnend mit dem höchsten Wert.
• (0, 230) -> (803, 751): obere linke und untere rechte Ecke in Pixeln des Originalbilds mit 810×1080 Pixeln; der Ursprung liegt oben links. Du kannst diese Koordinaten direkt zum Ausschneiden oder Zeichnen verwenden.
• person 0.65 bei (0, 553): Eine fünfte Person, die am linken Bildrand abgeschnitten ist, erhält einen niedrigeren Wert. Bei teilweise sichtbaren Objekten ist das üblich.

result.save() schreibt das annotierte Bild; result.show() öffnet es in einem Fenster.

Ergebnisse verstehen#

Jede Aufgabe gibt denselben Typ Results zurück; nur die ausgefüllten Felder ändern sich. Die vollständige Übersicht findest du im Leitfaden zur Python-Verwendung.

Für die Objekterkennung brauchst du meist boxes, die Begrenzungsrahmen. result.summary() gibt dieselben Erkennungen als Liste einfacher Wörterbücher zurück, bereit für eine JSON API.

Vorhersage anpassen#

Die Standardeinstellungen eignen sich für die meisten Bilder. Falls nicht, ändere immer nur ein Argument:

Die Konfidenz verändert das Ergebnis, nicht nur die Anzahl. Auf demselben Busbild:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model("https://ultralytics.com/images/bus.jpg", conf=0.5, classes=[0])  # 4 persons
model("https://ultralytics.com/images/bus.jpg", conf=0.1)  # 5 Personen, 1 Bus, 1 Stoppschild

Bei conf=0.1 meldet das Modell auch ein Stoppschild, bei dem es sich nicht sicher war. Wenn du conf verringerst, siehst du am schnellsten, was das Modell fast erkannt hätte. Alle übrigen Argumente findest du in der Konfigurationsreferenz.

Wenn eine Vorhersage leer zurückkommt, arbeite diese Schritte der Reihe nach ab:

Viele Bilder ausführen#

Übergib eine Liste, einen Ordner oder ein Glob-Muster wie "photos/*.jpg". Standardmäßig verwendet Predict batch=1. Setze batch, um mehrere Bilder auf einmal durch das Modell laufen zu lassen. Auf einer GPU ist das deutlich schneller:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]
for result in model(images, batch=2):
    print(result.path, len(result.boxes), result.verbose())

image0.jpg 5 4 persons, 1 bus,
image1.jpg 3 2 persons, 1 tie,

Diese Fehler vermeiden#