libreyolo val

Mengevaluasi satu model terhadap satu split dataset lalu mencetak metriknya. Kumpulan metriknya mengikuti task model, dan angkanya adalah angka yang dipakai untuk menyusun satu baris benchmark.

Perintah: libreyolo val
Wajib: model, data
Keluaran: Metrik di stdout. Plot dan JSON COCO di runs/val/exp bila diminta

Sinopsis

bash

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

Argumen berupa pasangan key=value, dan bentuk POSIX juga berlaku, jadi batch=8 dan --batch 8 adalah argumen yang sama.

Argumen

Argumen	Default	Arti
`model`		Path bobot model atau nama CLI. Wajib
`data`		Path ke YAML dataset (format YOLO, misalnya `coco8.yaml`). Wajib
`data_dir`		Direktori dataset langsung, mengabaikan path yang ada di YAML
`split`	`val`	Split dataset: `val`, `test`, `train`
`batch`	`16`	Ukuran batch
`imgsz`		Ukuran gambar: `640` (persegi) atau `480x640` (tinggi x lebar). Ukuran input model itu sendiri bila tidak diisi
`conf`	`0.001`	Ambang batas skor keyakinan (confidence)
`iou`	`0.6`	Ambang IoU untuk NMS
`max_det`	`300`	Prediksi maksimum per gambar setelah NMS
`eval_max_det`		Batas atas evaluator COCO. Mengikuti konvensi AP@100 pycocotools bila tidak diisi
`faster_coco_eval`	`true`	Memakai backend C++ faster-coco-eval untuk metrik COCO bila terpasang; jika tidak ada, kembali ke pycocotools
`half`	`false`	Inferensi FP16
`amp_dtype`	`float16`	Dtype autocast CUDA saat `half=true`: `float16` atau `bfloat16`
`save_json`	`false`	Menyimpan hasil JSON berformat COCO
`save_plots`	`false`	Menyimpan plot validasi: metrik, AP per kelas, confusion matrix, sampel
`workers`	`4`	Worker dataloader
`device`	`auto`	Perangkat
`project`	`runs/val`	Root direktori keluaran
`name`	`exp`	Nama eksperimen
`exist_ok`	`false`	Memakai ulang direktori keluaran
`allow_download_scripts`	`false`	Mengizinkan Python yang tertanam di blok download pada YAML dataset
`json`	`false`	Keluaran JSON ke stdout
`quiet`	`false`	Membungkam stderr
`verbose`	`true`	Keluaran verbose
`help_json`	`false`	Mencetak skema perintah sebagai JSON lalu keluar

Contoh

Dasar

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

Plot dan 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

Terbaca mesin

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

Catatan

Apa saja metriknya

Kumpulan metrik yang dicetak mengikuti task model, dan keluaran JSON memakai kunci yang sama.

Deteksi, segmentasi dan bounding box berorientasi melaporkan mAP50, mAP50_95, precision dan recall. Bila sebuah model memprediksi lebih dari satu jenis keluaran, grup per jenis muncul berdampingan sebagai box_metrics, mask_metrics dan obb_metrics, masing-masing membawa empat kunci yang sama.

Klasifikasi melaporkan accuracy_top1 dan accuracy_top5. Deteksi titik melaporkan precision, recall, f1, MLE, MAE, RMSE dan mAP_sweep. Kedalaman melaporkan abs_rel, rmse, delta1, delta2 dan delta3. Segmentasi semantik melaporkan mIoU dan pixel_accuracy. Restorasi melaporkan PSNR dan SSIM.

Hasil JSON juga membawa eval_backend, yang menyebutkan library evaluasi COCO beserta versinya yang menghasilkan angka tersebut, sehingga dua run bisa dibandingkan dengan kepastian apakah keduanya dinilai oleh backend yang sama.

Ambang batas

Nilai bawaan di sini adalah nilai bawaan untuk evaluasi, bukan untuk prediksi: conf bernilai 0.001 dan iou bernilai 0.6, sedangkan libreyolo predict memakai 0.25 dan 0.45. Menaikkan conf ke ambang tampilan menurunkan recall dan ikut menurunkan mAP, jadi angka yang dihasilkan dengan cara itu tidak sebanding dengan angka yang dipublikasikan.

imgsz secara bawaan tidak diisi, yang berarti memakai ukuran input model itu sendiri. Mengisinya membuat evaluasi berjalan pada ukuran yang diberikan, dan begitulah cara sebuah checkpoint diukur di luar resolusi aslinya.

Dataset yang mengunduh sendiri

YAML dataset yang kolom download-nya berupa URL akan mengunduh saat pertama kali dipakai tanpa izin tambahan. YAML yang membawa skrip unduhan Python tertanam memerlukan allow_download_scripts=true, dan perintah ini memberi peringatan di stderr bahwa eksekusi kode lokal telah diaktifkan. coco8.yaml dan coco128.yaml bawaan berbasis URL, jadi keduanya tidak memerlukan apa-apa.

Keluaran dan kode keluar

stdout membawa metriknya; progres masuk ke stderr. json=true mencetak satu objek dengan schema_version, dan quiet=true membungkam stderr.

Kode keluar adalah 0 bila berhasil, 2 untuk kesalahan penggunaan atau konfigurasi, 3 bila dataset tidak ditemukan, 4 bila model tidak bisa dimuat, dan 1 untuk kegagalan runtime lainnya.

Terkait: libreyolo train, yang menjalankan evaluasi yang sama ini menurut jadwalnya sendiri lewat eval_interval.