Dự đoán trên ảnh

Dự đoán và in mọi phát hiện#

Gọi model với một nguồn dữ liệu sẽ chạy chế độ Predict và trả về danh sách gồm một đối tượng Results cho mỗi ảnh. Với một ảnh, hãy đọc 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")

Đầu ra thực tế từ predict.py, sau dòng log thông thường:

     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)

Cách đọc kết quả:

• bus 0.88: tên class và confidence. Các bounding box được sắp xếp theo confidence, từ cao xuống thấp.
• (0, 230) -> (803, 751): tọa độ góc trên bên trái và góc dưới bên phải theo pixel của ảnh gốc 810×1080, với gốc tọa độ ở góc trên bên trái. Bạn có thể dùng trực tiếp các tọa độ này để cắt ảnh hoặc vẽ.
• person 0.65 tại (0, 553): người thứ năm, bị cắt mất một phần ở mép trái, có điểm số thấp hơn. Vật thể chỉ xuất hiện một phần thường có điểm thấp hơn.

result.save() ghi ảnh đã được chú thích; result.show() mở ảnh trong cửa sổ.

Tìm hiểu nội dung của kết quả#

Mọi tác vụ đều trả về cùng một kiểu Results; chỉ các trường được điền là khác nhau. Xem toàn bộ các trường trong hướng dẫn sử dụng Python.

Đối với phát hiện đối tượng, bạn chủ yếu cần boxes, tức bounding box. result.summary() trả về cùng các phát hiện dưới dạng danh sách dict thuần, sẵn sàng dùng với JSON API.

Tinh chỉnh dự đoán#

Các giá trị mặc định phù hợp với hầu hết ảnh. Nếu không phù hợp, hãy thay đổi từng tham số một:

Confidence làm thay đổi kết quả, không chỉ số lượng. Trên cùng một ảnh xe buýt:

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 người, 1 xe buýt, 1 biển báo dừng

Ở conf=0.1, model cũng báo cáo một biển báo dừng mà model không chắc chắn. Giảm conf là cách nhanh nhất để xem model suýt phát hiện được những gì. Các tham số khác có trong tài liệu tham khảo cấu hình.

Khi dự đoán trả về kết quả trống, hãy lần lượt kiểm tra theo hướng dẫn sau:

Chạy trên nhiều ảnh#

Truyền vào danh sách, thư mục hoặc glob như "photos/*.jpg". Predict mặc định dùng batch=1; đặt batch để xử lý nhiều ảnh cùng lúc qua model, nhanh hơn đáng kể trên GPU:

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,

Tránh những lỗi này#