libreyolo predict

Ejecuta un modelo cargado sobre una fuente e imprime las predicciones. La fuente puede ser una imagen, un directorio, un video, una URL o un stream en directo; el modelo puede ser un checkpoint o un artefacto exportado.

Comando: libreyolo predict
Requerido: source
Salida: Predicciones por stdout. Con save=true, archivos anotados en runs/detect/predict

Sinopsis

bash

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

Los argumentos son pares key=value. El mismo comando acepta también la forma POSIX, de modo que conf=0.4 y --conf 0.4 son intercambiables, y un booleano escrito save=true se convierte en --save. Los nombres con guion bajo aceptan ambas grafías: max_det=50 y --max-det 50 llegan a la misma opción.

libreyolo detect predict ... se acepta y se comporta de forma idéntica; la palabra de tarea se descarta antes del análisis.

Argumentos

Argumento	Por defecto	Significado
`source`		Ruta de imagen, directorio o URL. Requerido
`model`	`yolox-s`	Nombre o ruta del modelo
`conf`	`0.25`	Umbral de confianza
`iou`	`0.45`	Umbral de IoU para NMS
`imgsz`		Tamaño de la imagen de entrada: `640` (cuadrada) o `480x640` (alto x ancho). El tamaño de entrada propio del modelo si no se indica
`classes`		Filtra por IDs de clase, p. ej. `[0,2,5]`. Se acepta un entero suelto
`max_det`	`300`	Máximo de detecciones por imagen
`half`	`false`	Inferencia en FP16 (solo CUDA, requiere soporte del modelo)
`save`	`false`	Guarda las imágenes anotadas
`batch`	`1`	Imágenes por pasada para fuentes de tipo directorio. Por encima de 1 ejecuta inferencia en batch real en los modelos que la soportan
`stream`	`false`	Devuelve los resultados de forma incremental. Se activa automáticamente para webcams y streams en directo
`stream_buffer`	`false`	Almacena en búfer cada frame en directo en lugar de conservar solo el más reciente
`vid_stride`	`1`	Procesa uno de cada N frames de video o de directo
`show`	`false`	Muestra los resultados de video y en directo; `q` detiene
`tiling`	`false`	Inferencia en mosaico (tiling) para imágenes grandes
`overlap_ratio`	`0.2`	Proporción de solapamiento entre mosaicos
`output_path`		Ruta de salida explícita. En caso contrario, `project/name` cuando `save=true`
`color_format`	`auto`	Color de entrada: `auto`, `rgb`, `bgr`
`output_file_format`		Formato de salida: `jpg`, `png`, `webp`
`device`	`auto`	Dispositivo: `0`, `cpu`, `mps`, `auto`
`face_detector`		Modelo detector de caras (ruta o nombre de CLI). Requerido para los modelos de gaze
`gallery`		Galería de caras `.npz` de `libreyolo enroll` contra la que identificar caras. Solo para modelos de embeddings faciales
`gallery_threshold`	`0.4`	Umbral de coseno para una coincidencia de identidad en la galería
`project`	`runs/detect`	Raíz del directorio de salida
`name`	`predict`	Nombre del experimento
`exist_ok`	`false`	Reutiliza el directorio de salida existente
`json`	`false`	Salida JSON por stdout
`quiet`	`false`	Silencia stderr
`verbose`	`false`	Salida detallada por stderr
`help_json`	`false`	Vuelca el esquema del comando como JSON y sale

Ejemplos

Básico

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

Guardar imágenes anotadas

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

Clases filtradas, JSON por stdout

# la clase 0 es person en la lista de clases COCO que acompaña al checkpoint.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

Notas

Un artefacto exportado se carga igual que un checkpoint, por lo que model=weights/LibreYOLO9s.onnx y model=weights/LibreYOLO9s.engine son valores válidos para model. Tres opciones se rechazan en esos runtimes en lugar de ignorarse: tiling, overlap_ratio y output_file_format salen con config_unsupported cuando un backend de runtime no puede cumplirlas.

half funciona al revés. Los runtimes exportados lo reciben y ejecutan en FP16; la inferencia nativa en PyTorch registra que se ignoró y continúa en FP32.

Los modelos de gaze (estimación de la mirada) son de dos etapas y no tienen detector propio, por lo que face_detector es obligatorio para ellos. gallery solo aplica a modelos cuya tarea es embed; pasarlo a cualquier otro sale con config_unsupported.

stdout lleva los resultados y nada más; el progreso, las advertencias y los errores van a stderr. json=true imprime un objeto JSON por invocación, o uno por frame en streaming, cada uno con su schema_version. quiet=true silencia stderr. Los dos juntos le dan a un lector automático un stream de stdout limpio.

El código de salida es 0 en caso de éxito, 2 para un error de uso o de configuración, 3 cuando la fuente no se encuentra, 4 cuando el modelo no se puede cargar y 1 para otros fallos en tiempo de ejecución.

help_json=true imprime los parámetros, tipos, valores por defecto y flags del comando como JSON sin ejecutar nada, lo que es la forma fiable de leer esta tabla desde una versión instalada.

Relacionado: libreyolo val para métricas medidas sobre un dataset, libreyolo export para producir los artefactos de runtime mencionados arriba.