libreyolo predict

Uruchamia wczytany model na jednym źródle i wypisuje predykcje. Źródłem może być obraz, katalog, wideo, adres URL lub strumień na żywo; modelem może być checkpoint lub wyeksportowany artefakt.

Polecenie: libreyolo predict
Wymagane: source
Wyjście: Predykcje na stdout. Przy save=true pliki z adnotacjami w runs/detect/predict

Składnia

bash

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

Argumenty to pary key=value. To samo polecenie przyjmuje również formę POSIX, więc conf=0.4 i --conf 0.4 są wymienne, a wartość logiczna zapisana jako save=true staje się --save. Nazwy z podkreśleniem przyjmują obie pisownie: max_det=50 i --max-det 50 trafiają do tej samej opcji.

libreyolo detect predict ... jest akceptowane i działa identycznie; słowo zadania jest usuwane przed parsowaniem.

Argumenty

Argument	Domyślnie	Znaczenie
`source`		Ścieżka do obrazu, katalog lub adres URL. Wymagane
`model`	`yolox-s`	Nazwa lub ścieżka modelu
`conf`	`0.25`	Próg pewności
`iou`	`0.45`	Próg IoU dla NMS
`imgsz`		Rozmiar obrazu wejściowego: `640` (kwadrat) lub `480x640` (HxW). Gdy nie ustawiono, własny rozmiar wejściowy modelu
`classes`		Filtrowanie po identyfikatorach klas, np. `[0,2,5]`. Akceptowana jest też sama liczba całkowita
`max_det`	`300`	Maksymalna liczba detekcji na obraz
`half`	`false`	Inferencja FP16 (tylko CUDA, wymaga obsługi po stronie modelu)
`save`	`false`	Zapis obrazów z adnotacjami
`batch`	`1`	Liczba obrazów na jedno przejście w przód dla źródeł katalogowych. Powyżej 1 uruchamia prawdziwą inferencję batchową na modelach, które ją obsługują
`stream`	`false`	Zwracanie wyników przyrostowo. Włączane automatycznie dla kamer internetowych i strumieni na żywo
`stream_buffer`	`false`	Buforowanie każdej klatki na żywo zamiast zachowywania tylko najnowszej
`vid_stride`	`1`	Przetwarzanie co N-tej klatki wideo lub klatki na żywo
`show`	`false`	Wyświetlanie wyników wideo i na żywo; `q` zatrzymuje
`tiling`	`false`	Inferencja kafelkowa dla dużych obrazów
`overlap_ratio`	`0.2`	Współczynnik nakładania się kafelków
`output_path`		Jawna ścieżka wyjściowa. W przeciwnym razie `project/name`, gdy `save=true`
`color_format`	`auto`	Kolor wejściowy: `auto`, `rgb`, `bgr`
`output_file_format`		Format wyjściowy: `jpg`, `png`, `webp`
`device`	`auto`	Urządzenie: `0`, `cpu`, `mps`, `auto`
`face_detector`		Model detektora twarzy (ścieżka lub nazwa CLI). Wymagany dla modeli estymacji spojrzenia (gaze)
`gallery`		Galeria twarzy `.npz` z `libreyolo enroll`, względem której identyfikowane są twarze. Tylko modele embeddingów twarzy
`gallery_threshold`	`0.4`	Próg cosinusowy dopasowania tożsamości w galerii
`project`	`runs/detect`	Katalog główny wyjścia
`name`	`predict`	Nazwa eksperymentu
`exist_ok`	`false`	Ponowne użycie istniejącego katalogu wyjściowego
`json`	`false`	Wyjście JSON na stdout
`quiet`	`false`	Wyciszenie stderr
`verbose`	`false`	Szczegółowe wyjście na stderr
`help_json`	`false`	Zrzut schematu polecenia w formacie JSON i zakończenie

Przykłady

Podstawowe użycie

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

Zapis obrazów z adnotacjami

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

Filtrowanie klas, JSON na stdout

# klasa 0 to person na liście klas COCO dołączonej do checkpointu.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

Uwagi

Wyeksportowany artefakt wczytuje się tak samo jak checkpoint, więc model=weights/LibreYOLO9s.onnx i model=weights/LibreYOLO9s.engine są poprawnymi wartościami dla model. Trzy opcje są w tych środowiskach uruchomieniowych odrzucane, a nie ignorowane: tiling, overlap_ratio i output_file_format kończą działanie z config_unsupported, gdy backend środowiska uruchomieniowego nie może ich obsłużyć.

half działa odwrotnie. Wyeksportowane środowiska uruchomieniowe przyjmują tę opcję i działają w FP16; natywna inferencja w PyTorch zapisuje w logach, że została zignorowana, i kontynuuje w FP32.

Modele estymacji spojrzenia są dwuetapowe i nie mają własnego detektora, dlatego face_detector jest dla nich wymagany. gallery dotyczy tylko modeli, których zadaniem jest embed; przekazanie tej opcji czemukolwiek innemu kończy działanie z config_unsupported.

stdout niesie wyniki i nic poza nimi; postęp, ostrzeżenia i błędy trafiają na stderr. json=true wypisuje jeden obiekt JSON na wywołanie lub jeden na klatkę przy streamingu, każdy z polem schema_version. quiet=true wycisza stderr. Obie opcje razem dają czytnikowi maszynowemu czysty strumień stdout.

Kod wyjścia to 0 przy powodzeniu, 2 przy błędzie użycia lub konfiguracji, 3, gdy nie można znaleźć źródła, 4, gdy nie można wczytać modelu, oraz 1 przy innych awariach w czasie działania.

help_json=true wypisuje parametry polecenia, typy, wartości domyślne i flagi w formacie JSON, nie uruchamiając niczego, co jest niezawodnym sposobem na odczytanie tej tabeli z zainstalowanej wersji.

Powiązane: libreyolo val dla zmierzonych metryk na zbiorze danych, libreyolo export do wytworzenia wymienionych wyżej artefaktów środowiska uruchomieniowego.