libreyolo predict

読み込んだモデルを1つのソースに対して実行し、推論結果を出力します。ソースは画像、ディレクトリ、動画、URL、ライブストリームのいずれかであり、モデルはチェックポイントでもエクスポートした成果物でもかまいません。

コマンド: libreyolo predict
必須: source
出力: 推論結果をstdoutに出力。save=trueのときはアノテーション済みファイルをruns/detect/predictの下に出力

書式

bash

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

引数はkey=valueのペアです。同じコマンドはPOSIX形式も受け付けるため、 conf=0.4と--conf 0.4は互換で、save=trueと書いた真偽値は--saveになります。アンダースコアを含む名前はどちらの綴りでも受け付けます： max_det=50と--max-det 50は同じオプションに届きます。

libreyolo detect predict ...も受け付けられ、動作は同一です。タスク名は解析前に取り除かれます。

引数

引数	デフォルト	意味
`source`		画像のパス、ディレクトリ、またはURL。必須
`model`	`yolox-s`	モデル名またはパス
`conf`	`0.25`	信頼度のしきい値
`iou`	`0.45`	NMSのIoUしきい値
`imgsz`		入力画像サイズ：`640`（正方形）または`480x640`（高さ×幅）。未指定のときはモデル自身の入力サイズ
`classes`		クラスIDによる絞り込み。例：`[0,2,5]`。整数1つの指定も可
`max_det`	`300`	画像1枚あたりの最大検出数
`half`	`false`	FP16推論（CUDAのみ、モデル側の対応が必要）
`save`	`false`	アノテーション済み画像の保存
`batch`	`1`	ディレクトリをソースにしたときの1回の順伝播あたりの画像数。1より大きいと、対応するモデルでは実際のバッチ推論を実行
`stream`	`false`	結果を逐次生成。Webカメラとライブストリームでは自動的に有効
`stream_buffer`	`false`	最新の1フレームだけを保持するのではなく、ライブの全フレームをバッファリング
`vid_stride`	`1`	動画またはライブのNフレームごとに1フレームを処理
`show`	`false`	動画とライブの結果を表示。`q`で停止
`tiling`	`false`	大きな画像に対するタイル分割推論
`overlap_ratio`	`0.2`	タイルの重なり比率
`output_path`		出力先の明示指定。指定しない場合、`save=true`のときは`project/name`
`color_format`	`auto`	入力の色：`auto`、`rgb`、`bgr`
`output_file_format`		出力形式：`jpg`、`png`、`webp`
`device`	`auto`	デバイス：`0`、`cpu`、`mps`、`auto`
`face_detector`		顔検出モデル（パスまたはCLI名）。視線推定モデルでは必須
`gallery`		顔を照合するための`libreyolo enroll`製の顔ギャラリー`.npz`。顔の埋め込みベクトルモデル専用
`gallery_threshold`	`0.4`	ギャラリー内の人物と一致とみなすコサインしきい値
`project`	`runs/detect`	出力ディレクトリのルート
`name`	`predict`	実験名
`exist_ok`	`false`	既存の出力ディレクトリの再利用
`json`	`false`	stdoutへのJSON出力
`quiet`	`false`	stderrの抑制
`verbose`	`false`	stderrへの詳細出力
`help_json`	`false`	コマンドのスキーマをJSONで出力して終了

使用例

基本

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

アノテーション済み画像を保存

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

クラスを絞り込み、JSONをstdoutへ

# チェックポイント同梱のCOCOクラスリストではクラス0がpersonlibreyolo 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

補足

エクスポートした成果物はチェックポイントと同じ方法で読み込まれるため、 model=weights/LibreYOLO9s.onnxとmodel=weights/LibreYOLO9s.engineはどちらも modelの有効な値です。これらのランタイムでは、3つのオプションが無視されるのではなく拒否されます：ランタイムのバックエンドがtiling、overlap_ratio、 output_file_formatを扱えない場合、config_unsupportedで終了します。

halfは逆です。エクスポートしたランタイムはこれを受け取ってFP16で実行し、ネイティブのPyTorch推論は無視したことをログに記録してFP32のまま続行します。

視線推定モデルは2段構成で自前の検出器を持たないため、face_detectorの指定が必須です。galleryはタスクがembedのモデルにだけ適用され、それ以外に渡すと config_unsupportedで終了します。

stdoutには結果だけが流れ、進捗、警告、エラーはstderrに送られます。json=true は1回の実行につき1つのJSONオブジェクトを、ストリーミング時はフレームごとに 1つを出力し、いずれにもschema_versionが含まれます。quiet=trueはstderrを黙らせます。両方を併用すると、機械的な読み手にきれいなstdoutストリームを渡せます。

終了コードは、成功時が0、使い方や設定の誤りが2、ソースが見つからないときが 3、モデルを読み込めないときが4、その他の実行時エラーが1です。

help_json=trueは何も実行せずにコマンドのパラメータ、型、デフォルト値、フラグをJSONで出力し、インストール済みのバージョンからこの表を読み返す確実な方法になります。

関連：データセット上で指標を実測するにはlibreyolo val、上で挙げたランタイム成果物を生成するにはlibreyolo export。