YOLO-World

Serverless Hosted API を通じて YOLO-World の open-vocabulary object detection を使用します

YOLO-Worldは、学習なしで任意のテキストのクラス名からオブジェクトを検出できる、オープンボキャブラリのオブジェクト検出モデルです。YOLO-Worldの推論は、私たちの Serverless Hosted API.

YOLO-Worldの実行方法の詳細については、推論ドキュメント.

コードサンプル

HTTPエンドポイントを使ってYOLO-Worldを直接実行するには、 curl、または inference-sdk ラッパー。

API Key を取得する

Roboflow アカウントを作成し、キーを次の場所で見つけます Roboflow API 設定ページそしてシェルで利用できるようにします:

export ROBOFLOW_API_KEY="your-key-here"

モデルを実行する

次を呼び出します /yolo_world/infer エンドポイントを使って curl:

curl --location 'https://serverless.roboflow.com/yolo_world/infer' \
  --header 'Content-Type: application/json' \\
  --data '{
    "api_key": "'"$ROBOFLOW_API_KEY"'",
    "image": {"type": "url", "value": "https://media.roboflow.com/quickstart/traffic.jpg"},
    "text": ["car", "truck"],
    "yolo_world_version_id": "v2-s",
    "confidence": 0.05
  }'

API Key を取得する

Roboflow アカウントを作成し、キーを次の場所で見つけます Roboflow API 設定ページそしてシェルで利用できるようにします:

export ROBOFLOW_API_KEY="your-key-here"

依存関係をインストールする

SDK をインストールし、 supervision:

pip install inference-sdk supervision

モデルを実行する

カスタムのクラス名でYOLO-Worldを実行し、その後supervisionを使って予測結果をデコードして可視化します。

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

content = requests.get("https://media.roboflow.com/quickstart/traffic.jpg").content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer_from_yolo_world(
    inference_input=image,
    class_names=["car", "truck"],
    model_version="v2-s",
    confidence=0.05,
)

detections = sv.Detections.from_inference(results[0])

labels = [
    f"{name} {conf:.2f}"
    for name, conf in zip(detections.data["class_name"], detections.confidence)
]
annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections, labels=labels)
cv2.imwrite("annotated.png", annotated)

その class_names 引数は任意のクラス名リストを受け付けます。利用可能な model_version 値： v2-s, v2-m, v2-l, v2-x, s, m, l, x.

推論速度

〜で測定されたレイテンシ Roboflow Inference 1x NVIDIA L4、バッチサイズ 1、ウォームアップ後の平均で測定。

モデル

レイテンシ (ms)

yolo-world

12.4

で測定 v2-s 2クラスのバリアントです。クラスリストを設定するとテキストエンコーダーが1回実行されますが、フレームごとに繰り返されないため、この図には含まれていません。

設定する api_url をデプロイ先に合わせてください:

https://serverless.roboflow.com Serverless Hosted API 用。
http://localhost:9001 ローカルの Inference サーバー用。
あなたの Dedicated Deployment プライベートエンドポイントの URL。

前へYOLOv9 次へOwlV2

最終更新 9 日前

役に立ちましたか？