results = model(source, stream=True)  # 生成器，生成Results对象

以下是`Masks`类方法和属性的表格，包括它们的名称、类型和描述：

| 名称      | 类型                      | 描述                                                     |
| --------- | ------------------------- | --------------------------------------------------------------- |
| `cpu()`   | 方法                    | 返回位于CPU内存中的掩码张量。                         |
| `numpy()` | 方法                    | 返回掩码张量作为numpy数组。                      |
| `cuda()`  | 方法                    | 返回位于GPU内存中的掩码张量。                         |
| `to()`    | 方法                    | 返回具有指定设备和数据类型的掩码张量。   |
| `xyn`     | 属性 (`torch.Tensor`) | 表示为张量的归一化段列表。           |
| `xy`      | 属性 (`torch.Tensor`) | 表示为张量的像素坐标中的段列表。 |

更多详情请参阅[`Masks`类文档](../reference/engine/results.md#ultralytics.engine.results.Masks)。

### 关键点

`Keypoints`对象可用于索引、操作和归一化坐标。

!!! 示例 "关键点"

    ```python
    from ultralytics import YOLO

    # 加载预训练的YOLO11n-pose姿态模型
    model = YOLO("yolo11n-pose.pt")

    # 对图像进行推理
    results = model("bus.jpg")  # 结果列表

    # 查看结果
    for r in results:
        print(r.keypoints)  # 打印包含检测到的关键点的Keypoints对象
    ```

以下是`Keypoints`类方法和属性的表格，包括它们的名称、类型和描述：

| 名称      | 类型                      | 描述                                                       |
| --------- | ------------------------- | ----------------------------------------------------------------- |
| `cpu()`   | 方法                    | 返回位于CPU内存中的关键点张量。                       |
| `numpy()` | 方法                    | 返回关键点张量作为numpy数组。                    |
| `cuda()`  | 方法                    | 返回位于GPU内存中的关键点张量。                       |
| `to()`    | 方法                    | 返回具有指定设备和数据类型的关键点张量。 |
| `xyn`     | 属性 (`torch.Tensor`) | 表示为张量的归一化关键点列表。            |
| `xy`      | 属性 (`torch.Tensor`) | 表示为张量的像素坐标中的关键点列表。  |
| `conf`    | 属性 (`torch.Tensor`) | 如果可用，返回关键点的置信度值，否则返回None。   |

更多详情请参阅[`Keypoints`类文档](../reference/engine/results.md#ultralytics.engine.results.Keypoints)。

### 概率

`Probs`对象可用于索引、获取分类的`top1`和`top5`索引和分数。

!!! 示例 "概率"

    ```python
    from ultralytics import YOLO

    # 加载预训练的YOLO11n-cls分类模型
    model = YOLO("yolo11n-cls.pt")

    # 对图像进行推理
    results = model("bus.jpg")  # 结果列表

    # 查看结果
    for r in results:
        print(r.probs)  # 打印包含检测到的类别概率的Probs对象
    ```

以下是`Probs`类方法和属性的表格总结：

| 名称       | 类型                      | 描述                                                             |
| ---------- | ------------------------- | ----------------------------------------------------------------------- |
| `cpu()`    | 方法                    | 返回位于CPU内存中的probs张量副本。                       |
| `numpy()`  | 方法                    | 返回probs张量作为numpy数组的副本。                    |
| `cuda()`   | 方法                    | 返回位于GPU内存中的probs张量副本。                       |
| `to()`     | 方法                    | 返回具有指定设备和数据类型的probs张量副本。 |
| `top1`     | 属性 (`int`)          | 排名第一的类别的索引。                                               |
| `top5`     | 属性 (`list[int]`)    | 排名前五的类别的索引。                                           |
| `top1conf` | 属性 (`torch.Tensor`) | 排名第一的类别的置信度。                                          |
| `top5conf` | 属性 (`torch.Tensor`) | 排名前五的类别的置信度。                                       |

更多详情请参阅[`Probs`类文档](../reference/engine/results.md#ultralytics.engine.results.Probs)。

### OBB

`OBB`对象可用于索引、操作和将定向边界框转换为不同格式。

!!! 示例 "OBB"

    ```python
    from ultralytics import YOLO

    # 加载预训练的YOLO11n模型
```python
model = YOLO("yolo11n-obb.pt")

# 对图像进行推理
results = model("bus.jpg")  # 结果列表

# 查看结果
for r in results:
    print(r.obb)  # 打印包含定向检测边界框的OBB对象