libreyolo predict

Прогоняет загруженную модель по одному источнику и печатает предсказания. Источником может быть изображение, каталог, видео, URL или живой поток; моделью — чекпойнт или экспортированный артефакт.

Команда: libreyolo predict
Обязательный: source
Вывод: Предсказания в stdout. При save=true — аннотированные файлы в runs/detect/predict

Синопсис

bash

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

Аргументы — это пары key=value. Та же команда принимает и POSIX-форму, поэтому conf=0.4 и --conf 0.4 взаимозаменяемы, а булев аргумент, записанный как save=true, превращается в --save. Имена с подчёркиванием принимают оба написания: max_det=50 и --max-det 50 попадают в одну и ту же опцию.

libreyolo detect predict ... тоже принимается и ведёт себя точно так же; слово задачи отбрасывается перед разбором.

Аргументы

Аргумент	По умолчанию	Описание
`source`		Путь к изображению, каталог или URL. Обязателен
`model`	`yolox-s`	Имя или путь модели
`conf`	`0.25`	Порог уверенности
`iou`	`0.45`	Порог IoU для NMS
`imgsz`		Размер входного изображения: `640` (квадрат) или `480x640` (HxW). Если не задан — собственный входной размер модели
`classes`		Фильтр по ID классов, например `[0,2,5]`. Одиночное целое тоже принимается
`max_det`	`300`	Максимум детекций на изображение
`half`	`false`	Инференс в FP16 (только CUDA, нужна поддержка со стороны модели)
`save`	`false`	Сохранять аннотированные изображения
`batch`	`1`	Изображений за один прямой проход для источников-каталогов. Значение выше 1 запускает настоящий батчевый инференс на моделях, которые его поддерживают
`stream`	`false`	Выдавать результаты по мере готовности. Включается автоматически для веб-камер и живых потоков
`stream_buffer`	`false`	Буферизовать каждый живой кадр вместо хранения только самого свежего
`vid_stride`	`1`	Обрабатывать каждый N-й кадр видео или живого потока
`show`	`false`	Показывать результаты для видео и живых потоков; `q` останавливает
`tiling`	`false`	Потайловый инференс для больших изображений
`overlap_ratio`	`0.2`	Доля перекрытия тайлов
`output_path`		Явный путь вывода. Иначе `project/name`, когда `save=true`
`color_format`	`auto`	Цвет входа: `auto`, `rgb`, `bgr`
`output_file_format`		Формат вывода: `jpg`, `png`, `webp`
`device`	`auto`	Устройство: `0`, `cpu`, `mps`, `auto`
`face_detector`		Модель детектора лиц (путь или имя из CLI). Обязательна для моделей оценки взгляда
`gallery`		Галерея лиц `.npz` из `libreyolo enroll`, по которой опознаются лица. Только для моделей эмбеддингов лиц
`gallery_threshold`	`0.4`	Косинусный порог для совпадения личности по галерее
`project`	`runs/detect`	Корневой каталог вывода
`name`	`predict`	Имя эксперимента
`exist_ok`	`false`	Переиспользовать существующий каталог вывода
`json`	`false`	Вывод JSON в stdout
`quiet`	`false`	Подавить stderr
`verbose`	`false`	Подробный вывод в stderr
`help_json`	`false`	Вывести схему команды в JSON и выйти

Примеры

Базовый вызов

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

Сохранение аннотированных изображений

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

Фильтр классов, JSON в stdout

# класс 0 — person в списке классов COCO, который идёт вместе с чекпойнтом.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

Примечания

Экспортированный артефакт загружается так же, как чекпойнт, поэтому model=weights/LibreYOLO9s.onnx и model=weights/LibreYOLO9s.engine — допустимые значения для model. Три опции на таких средах выполнения не игнорируются, а отклоняются: tiling, overlap_ratio и output_file_format завершаются с config_unsupported, если бэкенд среды выполнения не может их выполнить.

С half всё наоборот. Экспортированные среды выполнения получают его и работают в FP16; нативный инференс PyTorch пишет в лог, что параметр проигнорирован, и продолжает в FP32.

Модели оценки взгляда двухэтапные и не имеют собственного детектора, поэтому для них обязателен face_detector. gallery применим только к моделям с задачей embed; передача его чему-то другому завершается с config_unsupported.

В stdout идут результаты и ничего больше; прогресс, предупреждения и ошибки уходят в stderr. json=true печатает один JSON-объект на запуск или по одному на кадр при стриминге, и в каждом есть schema_version. quiet=true заглушает stderr. Вместе они дают машинному читателю чистый поток stdout.

Код возврата — 0 при успехе, 2 при ошибке использования или конфигурации, 3 если источник не найден, 4 если модель не удалось загрузить, и 1 для остальных сбоев во время выполнения.

help_json=true печатает параметры команды, их типы, значения по умолчанию и флаги в виде JSON, ничего не запуская, — это надёжный способ получить эту таблицу из установленной версии.

См. также: libreyolo val — измеренные метрики на датасете, libreyolo export — создание артефактов сред выполнения, упомянутых выше.