libreyolo predict
Roda um modelo carregado sobre uma fonte e imprime as predições. A fonte pode ser uma imagem, um diretório, um vídeo, uma URL ou um stream ao vivo; o modelo pode ser um checkpoint ou um artefato exportado.
- Comando
libreyolo predict- Obrigatório
source- Saída
- Predições no stdout. Com save=true, arquivos anotados em runs/detect/predict
Sinopse
libreyolo predict source=<path|url|index> [model=<name|path>] [key=value ...]Os argumentos são pares key=value. O mesmo comando também aceita a forma
POSIX, então conf=0.4 e --conf 0.4 são intercambiáveis, e um booleano
escrito save=true vira --save. Nomes com underscore aceitam qualquer uma das
grafias: max_det=50 e --max-det 50 chegam à mesma opção.
libreyolo detect predict ... é aceito e se comporta de forma idêntica; a
palavra da tarefa é descartada antes da análise.
Argumentos
| Argumento | Padrão | Significado |
|---|---|---|
source | Caminho de imagem, diretório ou URL. Obrigatório | |
model | yolox-s | Nome ou caminho do modelo |
conf | 0.25 | Limiar de confiança |
iou | 0.45 | Limiar de IoU do NMS |
imgsz | Tamanho da imagem de entrada: 640 (quadrada) ou 480x640 (altura x largura). O tamanho de entrada do próprio modelo quando não definido | |
classes | Filtra por IDs de classe, p. ex. [0,2,5]. Um inteiro solto é aceito | |
max_det | 300 | Máximo de detecções por imagem |
half | false | Inferência em FP16 (somente CUDA, exige suporte do modelo) |
save | false | Salva as imagens anotadas |
batch | 1 | Imagens por passada para fontes do tipo diretório. Acima de 1 roda inferência em batch de verdade nos modelos que suportam |
stream | false | Devolve os resultados de forma incremental. Ativado automaticamente para webcams e streams ao vivo |
stream_buffer | false | Armazena em buffer cada frame ao vivo em vez de manter só o mais recente |
vid_stride | 1 | Processa um a cada N frames de vídeo ou ao vivo |
show | false | Exibe os resultados de vídeo e ao vivo; q interrompe |
tiling | false | Inferência por blocos (tiles) para imagens grandes |
overlap_ratio | 0.2 | Proporção de sobreposição entre blocos |
output_path | Caminho de saída explícito. Caso contrário, project/name quando save=true | |
color_format | auto | Cor de entrada: auto, rgb, bgr |
output_file_format | Formato de saída: jpg, png, webp | |
device | auto | Dispositivo: 0, cpu, mps, auto |
face_detector | Modelo detector de rostos (caminho ou nome de CLI). Obrigatório para os modelos de gaze | |
gallery | Galeria de rostos .npz do libreyolo enroll contra a qual identificar rostos. Somente para modelos de embedding facial | |
gallery_threshold | 0.4 | Limiar de cosseno para uma correspondência de identidade na galeria |
project | runs/detect | Raiz do diretório de saída |
name | predict | Nome do experimento |
exist_ok | false | Reaproveita o diretório de saída existente |
json | false | Saída JSON no stdout |
quiet | false | Silencia o stderr |
verbose | false | Saída detalhada no stderr |
help_json | false | Despeja o schema do comando como JSON e sai |
Exemplos
libreyolo predict model=LibreYOLO9s.pt \ source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpglibreyolo 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# a classe 0 é person na lista de classes COCO que acompanha o 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.jpgNotas
Um artefato exportado é carregado do mesmo jeito que um checkpoint, então
model=weights/LibreYOLO9s.onnx e model=weights/LibreYOLO9s.engine são
valores válidos para model. Três opções são recusadas nesses runtimes em vez
de ignoradas: tiling, overlap_ratio e output_file_format saem com
config_unsupported quando um backend de runtime não consegue atendê-las.
half funciona ao contrário. Os runtimes exportados recebem a opção e rodam em
FP16; a inferência nativa em PyTorch registra que ela foi ignorada e continua em
FP32.
Os modelos de gaze (estimativa do olhar) são de duas etapas e não têm detector
próprio, então face_detector é obrigatório para eles. gallery só se aplica a
modelos cuja tarefa é embed; passar isso para qualquer outro sai com
config_unsupported.
O stdout carrega os resultados e nada mais; progresso, avisos e erros vão para o
stderr. json=true imprime um objeto JSON por invocação, ou um por frame
quando em streaming, cada um carregando schema_version. quiet=true silencia
o stderr. Os dois juntos dão a um leitor automático um stream de stdout limpo.
O código de saída é 0 em caso de sucesso, 2 para um erro de uso ou de
configuração, 3 quando a fonte não é encontrada, 4 quando o modelo não pode
ser carregado e 1 para outras falhas em tempo de execução.
help_json=true imprime os parâmetros, tipos, valores padrão e flags do comando
como JSON sem rodar nada, o que é a forma confiável de ler esta tabela a partir
de uma versão instalada.
Relacionado: libreyolo val para métricas medidas sobre um
dataset, libreyolo export para produzir os artefatos de
runtime citados acima.