libreyolo val

Wertet ein Modell gegen einen Dataset-Split aus und gibt die Metriken aus. Der Metriksatz hängt von der Aufgabe des Modells ab, und die Zahlen sind dieselben, aus denen eine Benchmark-Zeile entsteht.

Befehl: libreyolo val
Erforderlich: model, data
Ausgabe: Metriken auf stdout. Plots und COCO-JSON unter runs/val/exp, wenn angefordert

Synopsis

bash

libreyolo val model=<name|path> data=<dataset.yaml> [key=value ...]

Argumente sind key=value-Paare, und die POSIX-Form funktioniert ebenfalls, batch=8 und --batch 8 sind also dasselbe Argument.

Argumente

Argument	Standard	Bedeutung
`model`		Pfad zur Gewichtsdatei oder CLI-Name. Erforderlich
`data`		Pfad zum Dataset-YAML (YOLO-Format, z. B. `coco8.yaml`). Erforderlich
`data_dir`		Direktes Dataset-Verzeichnis, umgeht den Pfad im YAML
`split`	`val`	Dataset-Split: `val`, `test`, `train`
`batch`	`16`	Batch-Größe
`imgsz`		Bildgröße: `640` (quadratisch) oder `480x640` (Höhe x Breite). Ohne Angabe die eigene Eingabegröße des Modells
`conf`	`0.001`	Confidence-Schwellenwert
`iou`	`0.6`	NMS-IoU-Schwellenwert
`max_det`	`300`	Maximale Anzahl Vorhersagen pro Bild nach der NMS
`eval_max_det`		Obergrenze des COCO-Evaluators. Ohne Angabe die AP@100-Konvention von pycocotools
`faster_coco_eval`	`true`	Nutzt das C++-Backend faster-coco-eval für die COCO-Metriken, wenn installiert; sonst fällt es auf pycocotools zurück
`half`	`false`	Inferenz in FP16
`amp_dtype`	`float16`	Dtype des CUDA-Autocast bei `half=true`: `float16` oder `bfloat16`
`save_json`	`false`	Speichert die Ergebnisse als JSON im COCO-Format
`save_plots`	`false`	Speichert die Validierungs-Plots: Metriken, AP pro Klasse, Confusion Matrix, Beispiele
`workers`	`4`	Worker des Dataloaders
`device`	`auto`	Gerät
`project`	`runs/val`	Wurzel des Ausgabeverzeichnisses
`name`	`exp`	Name des Experiments
`exist_ok`	`false`	Verwendet das Ausgabeverzeichnis wieder
`allow_download_scripts`	`false`	Erlaubt eingebettetes Python in den Download-Blöcken des Dataset-YAML
`json`	`false`	JSON-Ausgabe auf stdout
`quiet`	`false`	Unterdrückt stderr
`verbose`	`true`	Ausführliche Ausgabe
`help_json`	`false`	Gibt das Schema des Befehls als JSON aus und beendet sich

Beispiele

Einfach

libreyolo val model=LibreYOLO9s.pt data=coco8.yaml

Plots und COCO-JSON

libreyolo val model=LibreYOLO9s.pt data=coco8.yaml \  imgsz=640 batch=8 save_json=true save_plots=true \  project=runs/val name=yolo9s-coco8 exist_ok=true

Maschinenlesbar

libreyolo val model=LibreYOLO9s.pt data=coco8.yaml json=true quiet=true

Hinweise

Was die Metriken sind

Der ausgegebene Satz richtet sich nach der Aufgabe des Modells, und die JSON-Ausgabe nutzt dieselben Keys.

Erkennung, Segmentierung und orientierte Boxen melden mAP50, mAP50_95, precision und recall. Wenn ein Modell mehr als eine Art von Ausgabe vorhersagt, stehen die Gruppen pro Art daneben als box_metrics, mask_metrics und obb_metrics, jede mit denselben vier Keys.

Die Klassifikation meldet accuracy_top1 und accuracy_top5. Die Punkterkennung meldet precision, recall, f1, MLE, MAE, RMSE und mAP_sweep. Die Tiefenschätzung meldet abs_rel, rmse, delta1, delta2 und delta3. Die semantische Segmentierung meldet mIoU und pixel_accuracy. Die Restaurierung meldet PSNR und SSIM.

Das JSON-Ergebnis führt außerdem eval_backend mit, das die COCO-Evaluationsbibliothek und deren Version nennt, aus der die Zahlen stammen. So lassen sich zwei Läufe im Wissen darüber vergleichen, ob dasselbe Backend beide bewertet hat.

Schwellenwerte

Die Standardwerte hier sind Werte für die Auswertung, nicht für die Vorhersage: conf ist 0.001 und iou ist 0.6, während libreyolo predict 0.25 und 0.45 nutzt. conf auf einen Anzeige-Schwellenwert anzuheben senkt den Recall und mit ihm die mAP, eine so erzeugte Zahl ist also nicht mit einer veröffentlichten vergleichbar.

imgsz ist standardmäßig nicht gesetzt, was die eigene Eingabegröße des Modells bedeutet. Setzt du es, wird bei der angegebenen Größe ausgewertet, und genau so wird ein Checkpoint abseits seiner nativen Auflösung vermessen.

Datensätze, die heruntergeladen werden

Ein Dataset-YAML, dessen Feld download eine URL ist, lädt beim ersten Gebrauch ohne zusätzliche Erlaubnis herunter. Eines, das ein eingebettetes Python-Download-Skript mitbringt, braucht allow_download_scripts=true, und der Befehl warnt auf stderr, dass die Ausführung lokalen Codes aktiviert wurde. Die mitgelieferten coco8.yaml und coco128.yaml sind URL-basiert und brauchen daher nichts davon.

Ausgabe und Exit-Codes

stdout trägt die Metriken, der Fortschritt geht auf stderr. json=true gibt ein Objekt mit schema_version aus, und quiet=true legt stderr still.

Der Exit-Code ist 0 bei Erfolg, 2 bei einem Fehler in Aufruf oder Konfiguration, 3, wenn der Datensatz nicht gefunden wird, 4, wenn das Modell nicht geladen werden kann, und 1 bei anderen Laufzeitfehlern.

Verwandt: libreyolo train, das dieselbe Auswertung nach eigenem Zeitplan über eval_interval ausführt.