Predici su un'immagine

Predici e stampa ogni rilevamento#

Chiamare il modello su una sorgente esegue la modalità Predict e restituisce un elenco con un oggetto Results per ogni immagine. Con una sola immagine, leggi results[0].

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")

Output reale di predict.py, dopo la consueta riga di log:

     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)

Come leggerlo:

• bus 0.88: nome della classe e confidenza. I riquadri sono ordinati per confidenza, dal valore più alto al più basso.
• (0, 230) -> (803, 751): angoli superiore sinistro e inferiore destro in pixel dell'immagine originale di 810×1080, con origine in alto a sinistra. Puoi usare direttamente queste coordinate per ritagliare o disegnare.
• person 0.65 a (0, 553): una quinta persona, tagliata dal bordo sinistro, ottiene un punteggio più basso. Di solito succede con gli oggetti parziali.

result.save() salva l'immagine annotata; result.show() la apre in una finestra.

Scopri cosa contiene un risultato#

Ogni attività restituisce lo stesso tipo Results; cambiano solo i campi valorizzati. Trovi l'interfaccia completa nella guida all'uso di Python.

Per il rilevamento di oggetti ti serve soprattutto boxes, ovvero i riquadri di delimitazione. result.summary() restituisce gli stessi rilevamenti come elenco di semplici dizionari, pronti per un'API JSON.

Regola la predizione#

Le impostazioni predefinite sono adatte alla maggior parte delle immagini. Se non lo sono, modifica un argomento alla volta:

La confidenza cambia il risultato, non solo il conteggio. Sulla stessa immagine dell'autobus:

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 persone, 1 autobus, 1 segnale di stop

Con conf=0.1 il modello segnala anche un segnale di stop di cui non era sicuro. Abbassare conf è il modo più rapido per vedere cosa un modello ha quasi rilevato. Tutti gli altri argomenti sono nella documentazione di riferimento della configurazione.

Quando una predizione non restituisce risultati, segui questi passaggi:

Esegui su più immagini#

Passa un elenco, una cartella o un pattern glob come "photos/*.jpg". Predict usa batch=1 per impostazione predefinita; imposta batch per elaborare più immagini alla volta con il modello: su una GPU è molto più veloce.

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,

Evita questi errori#