libreyolo val

모델 하나를 데이터셋 분할 하나에 대해 평가하고 지표를 출력합니다. 지표 집합은 모델의 태스크에 따라 달라지며, 이 숫자들이 벤치마크 표의 한 행을 이루는 값입니다.

명령: libreyolo val
필수: model, data
출력: 지표는 stdout으로 출력됩니다. 지정하면 runs/val/exp 아래에 플롯과 COCO JSON이 저장됩니다

개요

bash

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

인자는 key=value 쌍이며, POSIX 형식도 동작하므로 batch=8과 --batch 8은 같은 인자입니다.

인자

인자	기본값	의미
`model`		모델 가중치 경로 또는 CLI 이름. 필수
`data`		데이터셋 YAML 경로(YOLO 형식, 예: `coco8.yaml`). 필수
`data_dir`		YAML에 적힌 경로를 건너뛰고 지정하는 데이터셋 디렉터리
`split`	`val`	데이터셋 분할: `val`, `test`, `train`
`batch`	`16`	배치 크기
`imgsz`		이미지 크기: `640`(정사각형) 또는 `480x640`(HxW). 설정하지 않으면 모델 자체의 입력 크기
`conf`	`0.001`	신뢰도 임계값
`iou`	`0.6`	NMS IoU 임계값
`max_det`	`300`	NMS 이후 이미지당 최대 예측 수
`eval_max_det`		COCO 평가기 상한. 설정하지 않으면 pycocotools의 AP@100 관례
`faster_coco_eval`	`true`	설치되어 있으면 COCO 지표에 faster-coco-eval C++ 백엔드 사용; 없으면 pycocotools로 대체
`half`	`false`	FP16 추론
`amp_dtype`	`float16`	`half=true`일 때 CUDA autocast dtype: `float16` 또는 `bfloat16`
`save_json`	`false`	COCO 형식 JSON 결과 저장
`save_plots`	`false`	검증 플롯 저장: 지표, 클래스별 AP, 혼동 행렬, 샘플
`workers`	`4`	데이터로더 워커 수
`device`	`auto`	장치
`project`	`runs/val`	출력 디렉터리 루트
`name`	`exp`	실험 이름
`exist_ok`	`false`	출력 디렉터리 재사용
`allow_download_scripts`	`false`	데이터셋 YAML의 download 블록에 내장된 Python 실행 허용
`json`	`false`	stdout으로 JSON 출력
`quiet`	`false`	stderr 출력 억제
`verbose`	`true`	상세 출력
`help_json`	`false`	명령 스키마를 JSON으로 출력하고 종료

예제

기본

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

플롯과 COCO JSON

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

기계 판독용

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

참고

출력되는 지표

출력되는 집합은 모델의 태스크를 따르며, JSON 출력도 같은 키를 사용합니다.

탐지, 분할, 회전 바운딩 박스는 mAP50, mAP50_95, precision, recall을 보고합니다. 모델이 한 가지가 넘는 출력 종류를 예측하는 경우, 종류별 그룹이 box_metrics, mask_metrics, obb_metrics로 나란히 나타나며 각각 같은 네 개의 키를 담습니다.

분류는 accuracy_top1과 accuracy_top5를 보고합니다. 점 탐지는 precision, recall, f1, MLE, MAE, RMSE, mAP_sweep을 보고합니다. 깊이 추정은 abs_rel, rmse, delta1, delta2, delta3를 보고합니다. 시맨틱 분할은 mIoU와 pixel_accuracy를 보고합니다. 복원은 PSNR과 SSIM을 보고합니다.

JSON 결과에는 eval_backend도 함께 담겨서 그 숫자를 만들어 낸 COCO 평가 라이브러리와 버전을 알려 주며, 덕분에 두 실행을 비교할 때 같은 백엔드가 양쪽을 채점했는지 알고 비교할 수 있습니다.

임계값

여기의 기본값은 예측 기본값이 아니라 평가 기본값입니다: conf는 0.001, iou는 0.6이며, libreyolo predict는 0.25와 0.45를 사용합니다. conf를 표시용 임계값까지 올리면 재현율이 낮아지고 그와 함께 mAP도 낮아지므로, 그렇게 얻은 수치는 공개된 수치와 비교할 수 없습니다.

imgsz는 기본적으로 설정되어 있지 않으며, 이는 모델 자체의 입력 크기를 뜻합니다. 값을 지정하면 주어진 크기로 평가하는데, 체크포인트를 원래 해상도가 아닌 조건에서 측정하는 방법이 바로 이것입니다.

자동으로 내려받는 데이터셋

download 필드가 URL인 데이터셋 YAML은 별도의 허가 없이 처음 사용할 때 내려받습니다. Python 다운로드 스크립트가 내장된 YAML은 allow_download_scripts=true가 필요하며, 이 경우 명령은 로컬 코드 실행이 활성화되었다고 stderr에 경고합니다. 함께 제공되는 coco8.yaml과 coco128.yaml은 URL 기반이므로 아무것도 필요하지 않습니다.

출력과 종료 코드

지표는 stdout으로 나가고, 진행 상황은 stderr로 갑니다. json=true는 schema_version이 담긴 객체 하나를 출력하고, quiet=true는 stderr 출력을 끕니다.

종료 코드는 성공 시 0, 사용법이나 설정 오류는 2, 데이터셋을 찾을 수 없으면 3, 모델을 불러올 수 없으면 4, 그 외 런타임 실패는 1입니다.

관련 문서: libreyolo train은 eval_interval로 자체 일정에 따라 이와 동일한 평가를 실행합니다.