Предсказание изображения

Предсказывай и выводи каждый обнаруженный объект#

Вызов модели для источника запускает режим Predict и возвращает список, содержащий по одному объекту Results на каждое изображение. Если изображение одно, обратись к 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")

Реальный вывод predict.py после обычной строки журнала:

     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)

Как его прочитать:

• bus 0.88: название класса и уверенность. Рамки отсортированы по уверенности, от наибольшей к наименьшей.
• (0, 230) -> (803, 751): координаты верхнего левого и нижнего правого углов в пикселях исходного изображения размером 810×1080, начало координат — в левом верхнем углу. Эти координаты можно напрямую использовать для обрезки или отрисовки.
• person 0.65 при (0, 553): у пятого человека, частично скрытого за левым краем изображения, оценка ниже. Частично видимые объекты обычно получают более низкую оценку.

result.save() записывает изображение с аннотациями; result.show() открывает его в окне.

Что содержится в результате#

Для каждой задачи возвращается объект одного типа — Results; меняются только заполненные поля. Полный список полей приведён в руководстве по использованию Python.

Для обнаружения объектов тебе в основном понадобится boxes — рамки. result.summary() возвращает те же обнаруженные объекты в виде списка обычных словарей, готового для JSON API.

Настрой предсказание#

Значения по умолчанию подходят для большинства изображений. Если результат тебя не устраивает, меняй по одному аргументу за раз:

Уверенность влияет на результат, а не только на количество обнаруженных объектов. Для одного изображения автобуса:

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 человек, 1 автобус, 1 знак остановки

При значении conf=0.1 модель также обнаруживает знак остановки, в котором не уверена. Уменьшить conf — самый быстрый способ увидеть, что модель почти обнаружила. Все остальные аргументы перечислены в справочнике по настройкам.

Если предсказание не содержит результатов, действуй по этому алгоритму:

Обработай несколько изображений#

Передай список, папку или шаблон glob, например "photos/*.jpg". По умолчанию Predict использует batch=1; задай batch, чтобы одновременно передать модели несколько изображений: на GPU это значительно быстрее.

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,

Избегай этих ошибок#