libreyolo predict

Esegue un modello caricato su una sorgente e stampa le predizioni. La sorgente può essere un'immagine, una directory, un video, un URL o uno stream dal vivo; il modello può essere un checkpoint o un artefatto esportato.

Comando: libreyolo predict
Obbligatorio: source
Output: Predizioni su stdout. Con save=true, file annotati in runs/detect/predict

Sinossi

bash

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

Gli argomenti sono coppie key=value. Lo stesso comando accetta anche la forma POSIX, quindi conf=0.4 e --conf 0.4 sono intercambiabili, e un booleano scritto save=true diventa --save. I nomi con un underscore accettano entrambe le grafie: max_det=50 e --max-det 50 raggiungono la stessa opzione.

libreyolo detect predict ... è accettato e si comporta in modo identico; la parola del task viene rimossa prima del parsing.

Argomenti

Argomento	Predefinito	Significato
`source`		Percorso di un'immagine, directory o URL. Obbligatorio
`model`	`yolox-s`	Nome o percorso del modello
`conf`	`0.25`	Soglia di confidenza
`iou`	`0.45`	Soglia di IoU per NMS
`imgsz`		Dimensione dell'immagine di input: `640` (quadrata) o `480x640` (altezza x larghezza). Se non impostata, la dimensione di input propria del modello
`classes`		Filtra per ID di classe, ad es. `[0,2,5]`. È accettato anche un intero singolo
`max_det`	`300`	Numero massimo di rilevamenti per immagine
`half`	`false`	Inferenza in FP16 (solo CUDA, richiede il supporto del modello)
`save`	`false`	Salva le immagini annotate
`batch`	`1`	Immagini per passaggio in avanti per le sorgenti di tipo directory. Sopra 1 esegue una vera inferenza in batch sui modelli che la supportano
`stream`	`false`	Restituisce i risultati in modo incrementale. Si attiva automaticamente per webcam e stream dal vivo
`stream_buffer`	`false`	Mette in buffer ogni frame dal vivo invece di conservare solo il più recente
`vid_stride`	`1`	Elabora un frame video o dal vivo ogni N
`show`	`false`	Mostra i risultati di video e dal vivo; `q` interrompe
`tiling`	`false`	Inferenza a tasselli per immagini grandi
`overlap_ratio`	`0.2`	Rapporto di sovrapposizione tra i tasselli
`output_path`		Percorso di output esplicito. Altrimenti `project/name` quando `save=true`
`color_format`	`auto`	Colore in input: `auto`, `rgb`, `bgr`
`output_file_format`		Formato di output: `jpg`, `png`, `webp`
`device`	`auto`	Dispositivo: `0`, `cpu`, `mps`, `auto`
`face_detector`		Modello per il rilevamento dei volti (percorso o nome CLI). Obbligatorio per i modelli di gaze
`gallery`		Galleria di volti `.npz` prodotta da `libreyolo enroll` con cui identificare i volti. Solo per i modelli di embedding facciali
`gallery_threshold`	`0.4`	Soglia di coseno per una corrispondenza di identità nella galleria
`project`	`runs/detect`	Radice della directory di output
`name`	`predict`	Nome dell'esperimento
`exist_ok`	`false`	Riusa la directory di output esistente
`json`	`false`	Output JSON su stdout
`quiet`	`false`	Silenzia stderr
`verbose`	`false`	Output dettagliato su stderr
`help_json`	`false`	Stampa lo schema del comando come JSON ed esce

Esempi

Base

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

Salvare le immagini annotate

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

Classi filtrate, JSON su stdout

# la classe 0 è person nella lista di classi COCO fornita con il 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

Note

Un artefatto esportato si carica esattamente come un checkpoint, quindi model=weights/LibreYOLO9s.onnx e model=weights/LibreYOLO9s.engine sono valori validi per model. Tre opzioni vengono rifiutate su quei runtime invece di essere ignorate: tiling, overlap_ratio e output_file_format escono con config_unsupported quando un backend di runtime non può rispettarle.

half va nella direzione opposta. I runtime esportati lo ricevono ed eseguono in FP16; l'inferenza nativa in PyTorch registra che è stato ignorato e prosegue in FP32.

I modelli di gaze (stima dello sguardo) sono a due stadi e non hanno un rilevatore proprio, quindi face_detector è obbligatorio per loro. gallery si applica solo ai modelli il cui task è embed; passarlo a qualsiasi altro esce con config_unsupported.

stdout trasporta i risultati e nient'altro; avanzamento, avvisi ed errori vanno su stderr. json=true stampa un oggetto JSON per invocazione, o uno per frame quando è in streaming, ciascuno con il proprio schema_version. quiet=true silenzia stderr. Insieme danno a un lettore automatico uno stream di stdout pulito.

Il codice di uscita è 0 in caso di successo, 2 per un errore di uso o di configurazione, 3 quando la sorgente non viene trovata, 4 quando il modello non può essere caricato e 1 per altri errori a runtime.

help_json=true stampa i parametri, i tipi, i valori predefiniti e i flag del comando come JSON senza eseguire nulla, ed è il modo affidabile per rileggere questa tabella da una versione installata.

Correlati: libreyolo val per metriche misurate su un dataset, libreyolo export per produrre gli artefatti di runtime citati sopra.