libreyolo predict
Exécute un modèle chargé sur une source et affiche les prédictions. La source peut être une image, un répertoire, une vidéo, une URL ou un flux en direct ; le modèle peut être un checkpoint ou un artefact exporté.
- Commande
libreyolo predict- Requis
source- Sortie
- Prédictions sur stdout. Avec save=true, fichiers annotés sous runs/detect/predict
Synopsis
libreyolo predict source=<path|url|index> [model=<name|path>] [key=value ...]Les arguments sont des paires key=value. La même commande accepte aussi la
forme POSIX, donc conf=0.4 et --conf 0.4 sont interchangeables, et un
booléen écrit save=true devient --save. Les noms comportant un underscore
acceptent les deux orthographes : max_det=50 et --max-det 50 atteignent la
même option.
libreyolo detect predict ... est accepté et se comporte de façon identique ;
le mot de tâche est retiré avant l'analyse.
Arguments
| Argument | Défaut | Signification |
|---|---|---|
source | Chemin d'image, répertoire ou URL. Requis | |
model | yolox-s | Nom ou chemin du modèle |
conf | 0.25 | Seuil de confiance |
iou | 0.45 | Seuil d'IoU du NMS |
imgsz | Taille de l'image en entrée : 640 (carrée) ou 480x640 (HxL). La taille d'entrée propre au modèle si non défini | |
classes | Filtrer par identifiants de classe, par ex. [0,2,5]. Un entier seul est accepté | |
max_det | 300 | Nombre maximal de détections par image |
half | false | Inférence FP16 (CUDA uniquement, nécessite la prise en charge du modèle) |
save | false | Enregistrer les images annotées |
batch | 1 | Images par passe avant pour les sources de type répertoire. Au-delà de 1, une vraie inférence par batch est utilisée sur les modèles qui la prennent en charge |
stream | false | Produire les résultats au fil de l'eau. Activé automatiquement pour les webcams et les flux en direct |
stream_buffer | false | Mettre en mémoire tampon chaque image du flux au lieu de ne garder que la plus récente |
vid_stride | 1 | Traiter une image sur N dans une vidéo ou un flux en direct |
show | false | Afficher les résultats vidéo et en direct ; q arrête |
tiling | false | Inférence par tuiles pour les grandes images |
overlap_ratio | 0.2 | Taux de recouvrement des tuiles |
output_path | Chemin de sortie explicite. Sinon project/name quand save=true | |
color_format | auto | Couleur en entrée : auto, rgb, bgr |
output_file_format | Format de sortie : jpg, png, webp | |
device | auto | Appareil : 0, cpu, mps, auto |
face_detector | Modèle de détection de visages (chemin ou nom CLI). Requis pour les modèles d'estimation du regard | |
gallery | Galerie de visages .npz produite par libreyolo enroll, pour identifier les visages. Modèles d'embedding de visages uniquement | |
gallery_threshold | 0.4 | Seuil cosinus pour une correspondance d'identité dans la galerie |
project | runs/detect | Racine du répertoire de sortie |
name | predict | Nom de l'expérience |
exist_ok | false | Réutiliser un répertoire de sortie existant |
json | false | Sortie JSON sur stdout |
quiet | false | Supprimer stderr |
verbose | false | Sortie stderr détaillée |
help_json | false | Afficher le schéma de la commande en JSON et quitter |
Exemples
libreyolo predict model=LibreYOLO9s.pt \ source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpglibreyolo 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# la classe 0 est person dans la liste COCO fournie avec le 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.jpgNotes
Un artefact exporté se charge comme un checkpoint, donc
model=weights/LibreYOLO9s.onnx et model=weights/LibreYOLO9s.engine sont des
valeurs valides pour model. Trois options sont refusées sur ces runtimes
plutôt qu'ignorées : tiling, overlap_ratio et output_file_format quittent
avec config_unsupported quand un backend de runtime ne peut pas les honorer.
half fonctionne à l'inverse. Les runtimes exportés le reçoivent et s'exécutent
en FP16 ; l'inférence PyTorch native indique dans les logs qu'il a été ignoré et
continue en FP32.
Les modèles d'estimation du regard fonctionnent en deux étapes et n'ont pas de
détecteur propre, donc face_detector est requis pour eux. gallery ne
s'applique qu'aux modèles dont la tâche est embed ; le passer à autre chose
quitte avec config_unsupported.
stdout ne transporte que les résultats ; la progression, les avertissements et
les erreurs vont sur stderr. json=true affiche un objet JSON par invocation,
ou un par image en streaming, chacun portant schema_version. quiet=true fait
taire stderr. Les deux ensemble donnent à un lecteur machine un flux stdout
propre.
Le code de sortie est 0 en cas de succès, 2 pour une erreur d'usage ou de
configuration, 3 quand la source est introuvable, 4 quand le modèle ne peut
pas être chargé, et 1 pour les autres échecs d'exécution.
help_json=true affiche les paramètres, types, valeurs par défaut et options de
la commande en JSON sans rien exécuter, ce qui est le moyen fiable de relire ce
tableau depuis une version installée.
À voir aussi : libreyolo val pour des métriques mesurées sur
un dataset, libreyolo export pour produire les artefacts
de runtime cités plus haut.