libreyolo predict

Запускає завантажену модель на одному джерелі та друкує передбачення. Джерелом може бути зображення, каталог, відео, URL або живий потік; моделлю може бути контрольна точка або експортований артефакт.

Команда: libreyolo predict
Обов'язкове: source
Вивід: Передбачення на stdout. З save=true анотовані файли в runs/detect/predict

Синтаксис

bash

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

Аргументи задаються парами key=value. Та сама команда приймає й POSIX-форму, тому conf=0.4 і --conf 0.4 взаємозамінні, а булеве значення, записане як save=true, перетворюється на --save. Імена з підкресленням приймають обидва написання: max_det=50 і --max-det 50 ведуть до того самого параметра.

libreyolo detect predict ... теж приймається і поводиться так само; слово задачі відкидається перед розбором.

Аргументи

Аргумент	Типове значення	Опис
`source`		Шлях до зображення, каталог або URL. Обов'язковий
`model`	`yolox-s`	Назва або шлях до моделі
`conf`	`0.25`	Поріг впевненості
`iou`	`0.45`	Поріг IoU для NMS
`imgsz`		Розмір вхідного зображення: `640` (квадрат) або `480x640` (HxW). Якщо не задано, береться власний розмір входу моделі
`classes`		Фільтр за ID класів, напр. `[0,2,5]`. Приймається й одне ціле число
`max_det`	`300`	Максимум виявлень на зображення
`half`	`false`	Інференс у FP16 (лише CUDA, потрібна підтримка з боку моделі)
`save`	`false`	Зберігати анотовані зображення
`batch`	`1`	Кількість зображень на один прямий прохід для джерел-каталогів. Значення понад 1 вмикає справжній батчевий інференс на моделях, які його підтримують
`stream`	`false`	Видавати результати поступово. Вмикається автоматично для вебкамер і живих потоків
`stream_buffer`	`false`	Буферизувати кожен живий кадр замість зберігання лише найновішого
`vid_stride`	`1`	Обробляти кожен N-й кадр відео чи живого потоку
`show`	`false`	Показувати відео та живі результати; `q` зупиняє
`tiling`	`false`	Тайловий інференс для великих зображень
`overlap_ratio`	`0.2`	Коефіцієнт перекриття тайлів
`output_path`		Явний шлях виводу. Інакше `project/name`, коли `save=true`
`color_format`	`auto`	Колір входу: `auto`, `rgb`, `bgr`
`output_file_format`		Формат виводу: `jpg`, `png`, `webp`
`device`	`auto`	Пристрій: `0`, `cpu`, `mps`, `auto`
`face_detector`		Модель детектора облич (шлях або назва в CLI). Обов'язкова для моделей оцінювання погляду
`gallery`		Галерея облич `.npz` з `libreyolo enroll`, за якою ідентифікуються обличчя. Лише для моделей ембедингів облич
`gallery_threshold`	`0.4`	Косинусний поріг для збігу особи з галереї
`project`	`runs/detect`	Корінь каталогу виводу
`name`	`predict`	Назва експерименту
`exist_ok`	`false`	Повторно використовувати наявний каталог виводу
`json`	`false`	Вивід JSON на stdout
`quiet`	`false`	Придушити stderr
`verbose`	`false`	Докладний вивід у stderr
`help_json`	`false`	Вивести схему команди як JSON і вийти

Приклади

Базове використання

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

Зберегти анотовані зображення

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

Фільтр класів, JSON на stdout

# клас 0 відповідає person у списку класів COCO, що постачається з контрольною точкою.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

Примітки

Експортований артефакт завантажується так само, як контрольна точка, тому model=weights/LibreYOLO9s.onnx і model=weights/LibreYOLO9s.engine є коректними значеннями для model. Три параметри в таких середовищах виконання не ігноруються, а відхиляються: tiling, overlap_ratio і output_file_format завершують роботу з config_unsupported, якщо бекенд середовища виконання не може їх виконати.

half працює навпаки. Експортовані середовища виконання отримують його і працюють у FP16; нативний інференс PyTorch записує в лог, що параметр проігноровано, і продовжує у FP32.

Моделі оцінювання погляду двостадійні і не мають власного детектора, тому для них потрібен face_detector. gallery стосується лише моделей із задачею embed; передавання його будь-чому іншому завершується з config_unsupported.

stdout несе лише результати й нічого більше; прогрес, попередження та помилки йдуть у stderr. json=true друкує один об'єкт JSON на виклик або по одному на кадр у режимі потоку, кожен із полем schema_version. quiet=true вимикає вивід у stderr. Разом вони дають машинному читачеві чистий потік stdout.

Код виходу: 0 в разі успіху, 2 для помилки використання чи конфігурації, 3 коли джерело не знайдено, 4 коли не вдалося завантажити модель, і 1 для інших збоїв під час виконання.

help_json=true друкує параметри команди, їхні типи, типові значення та прапорці у форматі JSON, нічого не запускаючи, і це надійний спосіб прочитати цю таблицю зі встановленої версії.

Пов'язане: libreyolo val для вимірювання метрик на датасеті, libreyolo export для створення згаданих вище артефактів середовища виконання.