Ultralytics HUB推理API

在您训练模型后，您可以免费使用共享推理API。如果您是Pro用户，您可以访问专用推理API。Ultralytics HUB推理API允许您通过我们的REST API运行推理，而无需在本地安装和设置Ultralytics YOLO环境。

Ultralytics HUB在模型页面内部署标签的截图，箭头指向专用推理API卡片和共享推理API卡片

观看: Ultralytics HUB推理API演示

专用推理API

为了回应高需求和广泛兴趣，我们很高兴推出Ultralytics HUB专用推理API，为我们的Pro用户提供一键部署的专用环境！

Note

我们很高兴在公开测试期间免费提供此功能作为Pro计划的一部分，未来可能会有付费层级。

全球覆盖: 在全球38个地区部署，确保从任何地点都能获得低延迟访问。查看完整的Google Cloud地区列表。
Google Cloud Run支持: 由Google Cloud Run支持，提供无限可扩展和高可靠性的基础设施。
高速: 根据Ultralytics测试，在附近地区进行YOLOv8n推理时，640分辨率的延迟可低于100毫秒。
增强安全性: 提供强大的安全功能，保护您的数据并确保符合行业标准。了解更多关于Google Cloud安全性的信息。

要使用Ultralytics HUB专用推理API，请点击启动端点按钮。接下来，使用下面指南中描述的唯一端点URL。

Ultralytics HUB在模型页面内部署标签的截图，箭头指向专用推理API卡片中的启动端点按钮

Tip

选择延迟最低的地区以获得最佳性能，如文档中所述。

要关闭专用端点，请点击停止端点按钮。

Ultralytics HUB在模型页面内部署标签的截图，箭头指向专用推理API卡片中的停止端点按钮

共享推理API

要使用Ultralytics HUB共享推理API，请按照以下指南操作。

免费用户有以下使用限制：

每小时100次调用
每月1000次调用

Pro用户有以下使用限制：

每小时1000次调用
每月10000次调用

Python

要使用Python访问Ultralytics HUB推理API，请使用以下代码：

import requests

# API URL
url = "https://predict.ultralytics.com"

# Headers, 使用实际的API_KEY
headers = {"x-api-key": "API_KEY"}

# 推理参数 (使用实际的MODEL_ID)
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# 加载图像并发送请求
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

Note

将MODEL_ID替换为所需的模型ID，API_KEY替换为您的实际API密钥，并将path/to/image.jpg替换为您要运行推理的图像路径。

如果您使用的是我们的专用推理API，请同时替换url。

cURL

要使用cURL访问Ultralytics HUB推理API，请使用以下代码：

curl -X POST "https://predict.ultralytics.com" \
  -H "x-api-key: API_KEY" \
  -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
-F "file=@/path/to/image.jpg" \
-F "imgsz=640" \
-F "conf=0.25" \
-F "iou=0.45"

Note

将 MODEL_ID 替换为所需的模型 ID，API_KEY 替换为您的实际 API 密钥，并将 path/to/image.jpg 替换为您要运行推理的图像路径。

如果您使用的是我们的专用推理 API，请同时替换 url。

参数

请参阅下表以获取完整的可用推理参数列表。

参数	默认值	类型	描述
`file`		`file`	用于推理的图像或视频文件。
`imgsz`	`640`	`int`	输入图像的大小，有效范围为 `32` - `1280` 像素。
`conf`	`0.25`	`float`	预测的置信度阈值，有效范围 `0.01` - `1.0`。
`iou`	`0.45`	`float`	交并比 (IoU) 阈值，有效范围 `0.0` - `0.95`。

响应

Ultralytics HUB 推理 API 返回一个 JSON 响应。

分类

分类模型

ultralyticscURLPython响应

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-cls.pt")

# 运行推理
results = model("image.jpg")

# 以 JSON 格式打印 image.jpg 的结果
print(results[0].to_json())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# 请求头，使用实际的 API_KEY
headers = {"x-api-key": "API_KEY"}

# 推理参数（使用实际的 MODEL_ID）
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# 加载图像并发送请求
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}

检测

检测模型

ultralyticscURLPython响应

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

# 运行推理
results = model("image.jpg")

# 以 JSON 格式打印 image.jpg 的结果
print(results[0].to_json())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# 请求头，使用实际的 API_KEY
headers = {"x-api-key": "API_KEY"}

# 推理参数（使用实际的 MODEL_ID）
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# 加载图像并发送请求
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

```json { "images": [ { "results": [ { "class": 0, "name": "person", "confidence": 0.92,

```json { "images": [ { "results": [ { "class": 0, "name": "person", "confidence": 0.92, "box": { "x1": 118, "x2": 416, "y1": 112, "y2": 660 } } ], "shape": [ 750, 600 ], "speed": { "inference": 200.8, "postprocess": 0.8, "preprocess": 2.8 } } ], "metadata": ... }

 !!!                                                                                         ###  !!!

id="__codelineno-9-1" name="__codelineno-9-1">### OBB example "OBB 模型" === "`ultralytics`" ```python from ultralytics import YOLO # 加载模型 model = YOLO("yolov8n-obb.pt") # 运行推理 results = model("image.jpg") # 以 JSON 格式打印 image.jpg 的结果 print(results[0].tojson()) ``` === "cURL" ```bash curl -X POST "https://predict.ultralytics.com" \ -H "x-api-key: API_KEY" \ -F "model=https://hub.ultralytics.com/models/MODEL_ID" \ -F "file=@/path/to/image.jpg" \ -F "imgsz=640" \ -F "conf=0.25" \ -F "iou=0.45" ``` === "Python" ```python import requests # API URL url = "https://predict.ultralytics.com" # 请求头，使用实际的 API_KEY headers = {"x-api-key": "API_KEY"} # 推理参数（使用实际的 MODEL_ID） data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45} # 加载图像并发送请求 with open("path/to/image.jpg", "rb") as image_file: files = {"file": image_file} response = requests.post(url, headers=headers, files=files, data=data) print(response.json()) ``` === "响应" ```json { "images": [ { "results": [ { "class": 0, "name": "person", "confidence": 0.92, "box": { "x1": 374.85565, "x2": 392.31824, "x3": 412.81805, "x4": 395.35547, "y1": 264.40704, "y2": 267.45728, "y3": 150.0966, "y4": 147.04634 } } ], "shape": [ 750, 600 ], "speed": { "inference": 200.8, "postprocess": 0.8, "preprocess": 2.8 } } ], "metadata": ... } ``` 分割 example "分割模型" === "`ultralytics`" ```python from ultralytics import YOLO # 加载模型 model = YOLO("yolov8n-seg.pt") # 运行推理 results = model("image.jpg") # 以 JSON 格式打印 image.jpg 的结果 print(results[0].tojson()) ``` === "cURL" ```bash curl -X POST "https://predict.ultralytics.com" \ -H "x-api-key: API_KEY" \ -F "model=https://hub.ultralytics.com/models/MODEL_ID" \ -F "file=@/path/to/image.jpg" \ -F "imgsz=640" \ -F "conf=0.25" \ -F "iou=0.45" ``` === "Python" ```python import requests # API URL url = "https://predict.ultralytics.com" # 请求头，使用实际的 API_KEY headers = {"x-api-key": "API_KEY"} # 推理参数（使用实际的 MODEL_ID） data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45} # 加载图像并发送请求 with open("path/to/image.jpg", "rb") as image_file: files = {"file": image_file} response = requests.post(url, headers=headers, files=files, data=data) print(response.json()) ``` === "响应" ```json { "images": [ { "results": [ { "class": 0, "name": "person", "confidence": 0.92, "box": { "x1": 118, "x2": 416, "y1": 112, "y2": 660 }, "segments": { "x": [ 266.015625, 266.015625, 258.984375, ... ], "y": [ 110.15625, 113.67188262939453, 120.70311737060547, ... ] } } ], "shape": [ 750, 600 ], "speed": { "inference": 200.8, "postprocess": 0.8, "preprocess": 2.8 } } ], "metadata": ... } ``` ```json { "images": [ { "results": [ { "class": 0, "name": "person", "confidence": 0.92, "box": { "x1": 118, "x2": 416, "y1": 112, "y2": 660 }, "keypoints": { "visible": [ 0.9909399747848511, 0.8162999749183655, 0.9872099757194519, ... ], "x": [ 316.3871765136719, 315.9374694824219, 304.878173828125, ... ], "y": [ 156.4207763671875, 148.05775451660156, 144.93240356445312, ... ] } } ], "shape": [ 750, 600 ], "speed": { "inference": 200.8, "postprocess": 0.8, "preprocess": 2.8 } } ], "metadata": ... }

姿态

姿态模型

ultralyticscURLPython响应

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-pose.pt")

# 运行推理
results = model("image.jpg")

# 以JSON格式打印image.jpg的结果
print(results[0].tojson())

curl -X POST "https://predict.ultralytics.com" \
    -H "x-api-key: API_KEY" \
    -F "model=https://hub.ultralytics.com/models/MODEL_ID" \
    -F "file=@/path/to/image.jpg" \
    -F "imgsz=640" \
    -F "conf=0.25" \
    -F "iou=0.45"

import requests

# API URL
url = "https://predict.ultralytics.com"

# 请求头，使用实际的API_KEY
headers = {"x-api-key": "API_KEY"}

# 推理参数（使用实际的MODEL_ID）
data = {"model": "https://hub.ultralytics.com/models/MODEL_ID", "imgsz": 640, "conf": 0.25, "iou": 0.45}

# 加载图像并发送请求
with open("path/to/image.jpg", "rb") as image_file:
    files = {"file": image_file}
    response = requests.post(url, headers=headers, files=files, data=data)

print(response.json())

{
  "images": [
    {
      "results": [
        {
          "class": 0,
          "name": "person",
          "confidence": 0.92,
          "box": {
            "x1": 118,
            "x2": 416,
            "y1": 112,
            "y2": 660
          },
          "keypoints": {
            "visible": [
              0.9909399747848511,
              0.8162999749183655,
              0.9872099757194519,
              ...
            ],
            "x": [
              316.3871765136719,
              315.9374694824219,
              304.878173828125,
              ...
            ],
            "y": [
              156.4207763671875,
              148.05775451660156,
              144.93240356445312,
              ...
            ]
          }
        }
      ],
      "shape": [
        750,
        600
      ],
      "speed": {
        "inference": 200.8,
        "postprocess": 0.8,
        "preprocess": 2.8
      }
    }
  ],
  "metadata": ...
}