Ejecutar inferencia en vídeo

Ejemplo práctico: hacer predicciones en un archivo de vídeo#

Los vídeos usan el mismo modo Predict que las imágenes. Este clip de 62 fotogramas muestra a personas cruzando un atrio:

yolo predict model=yolo26n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4

video 1/1 (frame 1/62) solutions_ci_demo.mp4: 384x640 22 persons, 27.3ms
...
video 1/1 (frame 62/62) solutions_ci_demo.mp4: 384x640 22 persons, 54.8ms
Results saved to runs/detect/predict

• frame 1/62: Ultralytics decodifica el vídeo y procesa cada fotograma como si fuera una imagen.
• 22 persons: detecciones en ese fotograma. Los mismos peatones se vuelven a contar en cada fotograma.
• 27.3ms ... 54.8ms: el tiempo por fotograma varía según lo que esté haciendo el equipo.

El vídeo anotado es runs/detect/predict/solutions_ci_demo.mp4. Tu propio modelo funciona igual: sustituye yolo26n.pt por runs/detect/pills_v1/weights/best.pt.

Transmitir fuentes largas y en directo#

Para ejecutar código con las detecciones, recorre el flujo en un bucle. Cada iteración devuelve el Results de un fotograma y, después, lo descarta:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

frames, people = 0, 0
for result in model(source, stream=True, classes=[0], verbose=False):  # one Results object per frame
    frames += 1
    people += len(result.boxes)
print(f"{frames} frames, {people / frames:.1f} people per frame")

62 frames, 22.2 people per frame

El mismo bucle acepta el índice de una cámara web (source=0) o una URL de cámara como rtsp://camera.local/stream, y se ejecuta hasta que termina el flujo o lo detienes. Añade vid_stride=2 para procesar un fotograma de cada dos. Para crear una interfaz web en torno a este bucle, la guía de inferencia en directo con Streamlit lo integra en una aplicación.

Ejemplo práctico: contar a cada persona una sola vez#

«22 personas por fotograma» no es la cifra que interesa; lo que interesa es «cuántas personas han pasado por aquí». El seguimiento de múltiples objetos enlaza las cajas entre fotogramas, y el modo Track asigna a cada objeto un ID en boxes.id:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

seen = set()
for result in model.track(source, stream=True, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False):
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
print(f"{len(seen)} unique people tracked")

32 unique people tracked

is_track es False en los fotogramas anteriores a la confirmación de cualquier seguimiento, cuando boxes.id es None. Usa los ID para contar, calcular trayectorias o aplicar una lógica del tipo «este objeto lleva aquí 3 segundos».

Si omites tracker, Ultralytics usa tracktrack.yaml, el valor predeterminado actual; el modo Track también incluye ocsort.yaml, deepocsort.yaml y fasttrack.yaml. La elección y el ajuste de los rastreadores, así como la creación de contadores de objetos, mapas de calor y estimaciones de velocidad con ellos, se explican en Seguimiento de objetos con ByteTrack, BoT-SORT y TrackTrack.

Ejemplo práctico: tu propio bucle de cámara#

Las aplicaciones reales suelen leer los fotogramas directamente —para cambiar su tamaño, recortarlos, añadirles marcas de tiempo o compartir una cámara con otro código— y pasar cada uno al modelo. En ese caso, persist=True es lo que mantiene activo el rastreador entre llamadas:

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
cap = cv2.VideoCapture("solutions_ci_demo.mp4")  # saved locally by the commands above; or 0, or an rtsp:// URL

seen = set()
while cap.isOpened():
    ok, frame = cap.read()
    if not ok:
        break
    result = model.track(frame, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False)[0]
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
cap.release()
print(f"{len(seen)} unique people, highest ID {max(seen)}")

32 unique people, highest ID 67

Los mismos 32 personas que con track.py. Fíjate en que el ID más alto es 67, no 32: el rastreador también asigna ID a seguimientos provisionales que nunca se confirman, por lo que hay saltos en la numeración.

Mantener el ritmo de la fuente#

Una cámara de 30 FPS entrega un fotograma cada 33 ms, y la frecuencia efectiva es la más lenta de entre la decodificación, la inferencia y la escritura. En la CPU de nuestro portátil, yolo26n tardó entre 26 y 46 ms por fotograma de 384×640 en distintas ejecuciones, según lo que estuviera haciendo el equipo: se alcanza o se supera el presupuesto, sin margen. Si tu equipo no puede mantener el ritmo, prueba estas medidas por orden:

El uso simultáneo de varias cámaras y los hilos necesarios se explican en Inferencia con varios flujos.

Evita estos errores#