libreyolo val

Évalue un seul modèle sur un seul split de dataset et affiche les métriques. L'ensemble de métriques dépend de la tâche du modèle, et les chiffres sont ceux à partir desquels une ligne de benchmark est construite.

Commande: libreyolo val
Requis: model, data
Sortie: Métriques sur stdout. Graphiques et JSON COCO sous runs/val/exp si demandé

Synopsis

bash

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

Les arguments sont des paires key=value, et la forme POSIX fonctionne aussi : batch=8 et --batch 8 sont donc le même argument.

Arguments

Argument	Défaut	Signification
`model`		Chemin du fichier de poids ou nom CLI. Requis
`data`		Chemin vers le YAML du dataset (format YOLO, par exemple `coco8.yaml`). Requis
`data_dir`		Répertoire du dataset indiqué directement, en court-circuitant le chemin du YAML
`split`	`val`	Split du dataset : `val`, `test`, `train`
`batch`	`16`	Taille de batch
`imgsz`		Taille d'image : `640` (carré) ou `480x640` (HxL). La taille d'entrée propre au modèle si non défini
`conf`	`0.001`	Seuil de confiance
`iou`	`0.6`	Seuil IoU du NMS
`max_det`	`300`	Nombre maximal de prédictions par image après le NMS
`eval_max_det`		Plafond de l'évaluateur COCO. La convention AP@100 de pycocotools si non défini
`faster_coco_eval`	`true`	Utilise le backend C++ faster-coco-eval pour les métriques COCO lorsqu'il est installé ; repli sur pycocotools
`half`	`false`	Inférence FP16
`amp_dtype`	`float16`	dtype de l'autocast CUDA quand `half=true` : `float16` ou `bfloat16`
`save_json`	`false`	Enregistre les résultats JSON au format COCO
`save_plots`	`false`	Enregistre les graphiques de validation : métriques, AP par classe, matrice de confusion, échantillons
`workers`	`4`	Workers du dataloader
`device`	`auto`	Appareil
`project`	`runs/val`	Racine du répertoire de sortie
`name`	`exp`	Nom de l'expérience
`exist_ok`	`false`	Réutilise le répertoire de sortie
`allow_download_scripts`	`false`	Autorise le Python embarqué dans les blocs de téléchargement du YAML du dataset
`json`	`false`	Sortie JSON sur stdout
`quiet`	`false`	Supprime stderr
`verbose`	`true`	Sortie verbeuse
`help_json`	`false`	Affiche le schéma de la commande en JSON et quitte

Exemples

Base

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

Graphiques et JSON COCO

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

Lisible par une machine

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

Notes

Ce que sont les métriques

L'ensemble affiché dépend de la tâche du modèle, et la sortie JSON utilise les mêmes clés.

La détection, la segmentation et les boîtes orientées renvoient mAP50, mAP50_95, precision et recall. Lorsqu'un modèle prédit plusieurs types de sorties, les groupes par type apparaissent à côté sous les noms box_metrics, mask_metrics et obb_metrics, chacun portant les quatre mêmes clés.

La classification renvoie accuracy_top1 et accuracy_top5. La détection de points renvoie precision, recall, f1, MLE, MAE, RMSE et mAP_sweep. La profondeur renvoie abs_rel, rmse, delta1, delta2 et delta3. La segmentation sémantique renvoie mIoU et pixel_accuracy. La restauration renvoie PSNR et SSIM.

Le résultat JSON porte aussi eval_backend, qui nomme la bibliothèque d'évaluation COCO et la version ayant produit les chiffres, de sorte que deux exécutions peuvent être comparées en sachant si le même backend les a évaluées toutes les deux.

Seuils

Les valeurs par défaut sont ici des valeurs d'évaluation, pas des valeurs de prédiction : conf vaut 0.001 et iou vaut 0.6, là où libreyolo predict utilise 0.25 et 0.45. Monter conf à un seuil d'affichage fait baisser le rappel et avec lui la mAP : un chiffre obtenu de cette façon n'est pas comparable à un chiffre publié.

imgsz n'est pas défini par défaut, ce qui signifie la taille d'entrée propre au modèle. Le définir évalue à la taille indiquée, et c'est ainsi qu'un checkpoint se mesure en dehors de sa résolution native.

Les datasets qui se téléchargent

Un YAML de dataset dont le champ download est une URL se télécharge à la première utilisation, sans permission supplémentaire. Celui qui embarque un script de téléchargement Python exige allow_download_scripts=true, et la commande avertit sur stderr que l'exécution de code local a été activée. Les coco8.yaml et coco128.yaml fournis reposent sur des URL : ils n'ont besoin de rien.

Sortie et codes de retour

stdout porte les métriques ; la progression va sur stderr. json=true affiche un seul objet avec schema_version, et quiet=true fait taire stderr.

Le code de retour est 0 en cas de succès, 2 pour une erreur d'usage ou de configuration, 3 quand le dataset est introuvable, 4 quand le modèle ne peut pas être chargé, et 1 pour les autres échecs à l'exécution.

À lire aussi : libreyolo train, qui lance cette même évaluation à son propre rythme via eval_interval.