libreyolo predict

Führt ein geladenes Modell über eine Quelle aus und gibt die Vorhersagen aus. Die Quelle kann ein Bild, ein Verzeichnis, ein Video, eine URL oder ein Live-Stream sein; das Modell kann ein Checkpoint oder ein exportiertes Artefakt sein.

Befehl: libreyolo predict
Erforderlich: source
Ausgabe: Vorhersagen auf stdout. Mit save=true annotierte Dateien unter runs/detect/predict

Synopsis

bash

libreyolo predict source=<path|url|index> [model=<name|path>] [key=value ...]

Argumente sind key=value-Paare. Derselbe Befehl akzeptiert auch die POSIX-Form, also sind conf=0.4 und --conf 0.4 austauschbar, und ein als save=true geschriebener Boolean wird zu --save. Namen mit Unterstrich akzeptieren beide Schreibweisen: max_det=50 und --max-det 50 erreichen dieselbe Option.

libreyolo detect predict ... wird akzeptiert und verhält sich identisch; das Task-Wort wird vor dem Parsen entfernt.

Argumente

Argument	Standard	Bedeutung
`source`		Bildpfad, Verzeichnis oder URL. Erforderlich
`model`	`yolox-s`	Modellname oder Pfad
`conf`	`0.25`	Confidence-Schwellenwert
`iou`	`0.45`	IoU-Schwellenwert für NMS
`imgsz`		Eingabebildgröße: `640` (quadratisch) oder `480x640` (Höhe x Breite). Ohne Angabe die eigene Eingabegröße des Modells
`classes`		Nach Klassen-IDs filtern, z. B. `[0,2,5]`. Eine einzelne Ganzzahl wird akzeptiert
`max_det`	`300`	Maximale Anzahl Detektionen pro Bild
`half`	`false`	FP16-Inferenz (nur CUDA, erfordert Unterstützung durch das Modell)
`save`	`false`	Annotierte Bilder speichern
`batch`	`1`	Bilder pro Forward-Pass bei Verzeichnisquellen. Über 1 läuft echte gebatchte Inferenz auf Modellen, die sie unterstützen
`stream`	`false`	Ergebnisse inkrementell liefern. Für Webcams und Live-Streams automatisch aktiviert
`stream_buffer`	`false`	Jeden Live-Frame puffern, statt nur den neuesten zu behalten
`vid_stride`	`1`	Jeden N-ten Video- oder Live-Frame verarbeiten
`show`	`false`	Video- und Live-Ergebnisse anzeigen; `q` stoppt
`tiling`	`false`	Gekachelte Inferenz für große Bilder
`overlap_ratio`	`0.2`	Überlappungsverhältnis der Kacheln
`output_path`		Expliziter Ausgabepfad. Sonst `project/name`, wenn `save=true`
`color_format`	`auto`	Eingabefarbe: `auto`, `rgb`, `bgr`
`output_file_format`		Ausgabeformat: `jpg`, `png`, `webp`
`device`	`auto`	Gerät: `0`, `cpu`, `mps`, `auto`
`face_detector`		Modell zur Gesichtserkennung (Pfad oder CLI-Name). Für Gaze-Modelle erforderlich
`gallery`		Gesichtsgalerie als `.npz` aus `libreyolo enroll`, gegen die Gesichter identifiziert werden. Nur für Face-Embedding-Modelle
`gallery_threshold`	`0.4`	Cosinus-Schwellenwert für eine Identitätsübereinstimmung in der Galerie
`project`	`runs/detect`	Wurzelverzeichnis der Ausgabe
`name`	`predict`	Name des Experiments
`exist_ok`	`false`	Vorhandenes Ausgabeverzeichnis wiederverwenden
`json`	`false`	JSON-Ausgabe auf stdout
`quiet`	`false`	stderr unterdrücken
`verbose`	`false`	Ausführliche Ausgabe auf stderr
`help_json`	`false`	Befehlsschema als JSON ausgeben und beenden

Beispiele

Basis

libreyolo predict model=LibreYOLO9s.pt \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Annotierte Bilder speichern

libreyolo predict model=LibreYOLO9s.pt save=true \  project=runs/detect name=parkour exist_ok=true \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Gefilterte Klassen, JSON auf stdout

# Klasse 0 ist person in der COCO-Klassenliste des Checkpoints.libreyolo predict model=LibreYOLO9s.pt classes="[0]" conf=0.4 max_det=50 \  json=true quiet=true \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

Hinweise

Ein exportiertes Artefakt wird genauso geladen wie ein Checkpoint, deshalb sind model=weights/LibreYOLO9s.onnx und model=weights/LibreYOLO9s.engine gültige Werte für model. Drei Optionen werden auf diesen Runtimes abgelehnt statt ignoriert: tiling, overlap_ratio und output_file_format beenden sich mit config_unsupported, wenn ein Runtime-Backend sie nicht erfüllen kann.

half geht den umgekehrten Weg. Exportierte Runtimes nehmen es an und laufen in FP16; native PyTorch-Inferenz protokolliert, dass es ignoriert wurde, und macht in FP32 weiter.

Gaze-Modelle sind zweistufig und haben keinen eigenen Detektor, deshalb ist face_detector für sie erforderlich. gallery gilt nur für Modelle, deren Task embed ist; die Übergabe an etwas anderes beendet sich mit config_unsupported.

stdout trägt Ergebnisse und sonst nichts; Fortschritt, Warnungen und Fehler gehen an stderr. json=true gibt ein JSON-Objekt pro Aufruf aus, beim Streaming eines pro Frame, jeweils mit schema_version. quiet=true legt stderr still. Beides zusammen gibt einem maschinellen Leser einen sauberen stdout-Stream.

Der Exit-Code ist 0 bei Erfolg, 2 bei einem Nutzungs- oder Konfigurationsfehler, 3, wenn die Quelle nicht gefunden wird, 4, wenn das Modell nicht geladen werden kann, und 1 bei sonstigen Laufzeitfehlern.

help_json=true gibt die Parameter, Typen, Standardwerte und Flags des Befehls als JSON aus, ohne etwas auszuführen. Das ist der verlässliche Weg, diese Tabelle aus einer installierten Version zurückzulesen.

Verwandt: libreyolo val für gemessene Metriken auf einem Datensatz, libreyolo export, um die oben genannten Runtime-Artefakte zu erzeugen.