libreyolo predict

Menjalankan model yang sudah dimuat pada satu source lalu mencetak prediksinya. Source dapat berupa gambar, direktori, video, URL atau live stream; modelnya dapat berupa checkpoint atau artefak hasil ekspor.

Perintah: libreyolo predict
Wajib: source
Output: Prediksi di stdout. Dengan save=true, berkas beranotasi di runs/detect/predict

Sinopsis

bash

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

Argumen berupa pasangan key=value. Perintah yang sama juga menerima bentuk POSIX, sehingga conf=0.4 dan --conf 0.4 dapat saling menggantikan, dan boolean yang ditulis save=true menjadi --save. Nama yang memakai garis bawah menerima kedua ejaan: max_det=50 dan --max-det 50 menuju opsi yang sama.

libreyolo detect predict ... juga diterima dan berperilaku sama persis; kata task-nya dibuang sebelum parsing.

Argumen

Argumen	Default	Arti
`source`		Path gambar, direktori, atau URL. Wajib
`model`	`yolox-s`	Nama atau path model
`conf`	`0.25`	Ambang batas skor keyakinan (confidence)
`iou`	`0.45`	Ambang IoU untuk NMS
`imgsz`		Ukuran gambar masukan: `640` (persegi) atau `480x640` (HxW). Ukuran masukan milik model sendiri bila tidak diisi
`classes`		Filter berdasarkan ID kelas, misalnya `[0,2,5]`. Integer tunggal juga diterima
`max_det`	`300`	Deteksi maksimum per gambar
`half`	`false`	Inferensi FP16 (hanya CUDA, model harus mendukungnya)
`save`	`false`	Menyimpan gambar beranotasi
`batch`	`1`	Jumlah gambar per forward pass untuk source berupa direktori. Di atas 1 menjalankan inferensi batch sesungguhnya pada model yang mendukungnya
`stream`	`false`	Mengeluarkan hasil secara bertahap. Otomatis aktif untuk webcam dan live stream
`stream_buffer`	`false`	Menyangga setiap frame live, bukan hanya menyimpan yang terbaru
`vid_stride`	`1`	Memproses setiap frame video atau frame live ke-N
`show`	`false`	Menampilkan hasil video dan live; `q` menghentikannya
`tiling`	`false`	Inferensi berbasis tile untuk gambar besar
`overlap_ratio`	`0.2`	Rasio tumpang tindih antartile
`output_path`		Path output eksplisit. Bila tidak diisi, `project/name` saat `save=true`
`color_format`	`auto`	Warna masukan: `auto`, `rgb`, `bgr`
`output_file_format`		Format output: `jpg`, `png`, `webp`
`device`	`auto`	Perangkat: `0`, `cpu`, `mps`, `auto`
`face_detector`		Model detektor wajah (path atau nama CLI). Wajib untuk model gaze
`gallery`		Galeri wajah `.npz` dari `libreyolo enroll` sebagai acuan identifikasi wajah. Hanya untuk model face-embedding
`gallery_threshold`	`0.4`	Ambang cosine untuk kecocokan identitas dari galeri
`project`	`runs/detect`	Direktori akar output
`name`	`predict`	Nama eksperimen
`exist_ok`	`false`	Memakai ulang direktori output yang sudah ada
`json`	`false`	Output JSON ke stdout
`quiet`	`false`	Menyembunyikan keluaran stderr
`verbose`	`false`	Keluaran stderr yang detail
`help_json`	`false`	Mencetak skema perintah sebagai JSON lalu keluar

Contoh

Dasar

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

Menyimpan gambar beranotasi

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

Kelas terfilter, JSON di stdout

# kelas 0 adalah person pada daftar kelas COCO yang dibawa checkpoint ini.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

Catatan

Artefak hasil ekspor dimuat dengan cara yang sama seperti checkpoint, jadi model=weights/LibreYOLO9s.onnx dan model=weights/LibreYOLO9s.engine adalah nilai yang sah untuk model. Tiga opsi ditolak, bukan diabaikan, pada runtime tersebut: tiling, overlap_ratio dan output_file_format keluar dengan config_unsupported bila backend runtime tidak dapat memenuhinya.

half justru sebaliknya. Runtime hasil ekspor menerimanya dan berjalan di FP16; inferensi PyTorch native mencatat bahwa flag itu diabaikan lalu melanjutkan di FP32.

Model gaze bekerja dua tahap dan tidak punya detektor sendiri, sehingga face_detector wajib diisi untuknya. gallery hanya berlaku untuk model yang task-nya embed; memberikannya ke model lain akan keluar dengan config_unsupported.

stdout hanya membawa hasil dan tidak lebih; progres, peringatan dan error dikirim ke stderr. json=true mencetak satu objek JSON per pemanggilan, atau satu per frame saat streaming, masing-masing memuat schema_version. quiet=true membungkam stderr. Keduanya sekaligus memberi pembaca mesin aliran stdout yang bersih.

Exit code-nya 0 bila berhasil, 2 untuk kesalahan pemakaian atau konfigurasi, 3 bila source tidak ditemukan, 4 bila model tidak dapat dimuat, dan 1 untuk kegagalan runtime lainnya.

help_json=true mencetak parameter, tipe, nilai bawaan dan flag milik perintah ini sebagai JSON tanpa menjalankan apa pun, dan itulah cara andal untuk membaca ulang tabel di atas dari versi yang terpasang.

Terkait: libreyolo val untuk metrik terukur pada sebuah dataset, libreyolo export untuk menghasilkan artefak runtime yang disebut di atas.