libreyolo predict

Chạy một mô hình đã tải trên một nguồn và in ra các dự đoán. Nguồn có thể là ảnh, thư mục, video, URL hoặc luồng (stream) trực tiếp; mô hình có thể là checkpoint hoặc một artifact đã xuất.

Lệnh: libreyolo predict
Bắt buộc: source
Đầu ra: Dự đoán in ra stdout. Với save=true, các tệp đã vẽ chú thích nằm trong runs/detect/predict

Cú pháp

bash

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

Các tham số là cặp key=value. Cùng một lệnh đó cũng chấp nhận dạng POSIX, nên conf=0.4 và --conf 0.4 có thể dùng thay cho nhau, và một giá trị boolean viết save=true sẽ trở thành --save. Tên có dấu gạch dưới chấp nhận cả hai cách viết: max_det=50 và --max-det 50 cùng trỏ tới một tùy chọn.

libreyolo detect predict ... cũng được chấp nhận và hoạt động y hệt; từ chỉ tác vụ được loại bỏ trước khi phân tích cú pháp.

Tham số

Tham số	Mặc định	Ý nghĩa
`source`		Đường dẫn ảnh, thư mục, hoặc URL. Bắt buộc
`model`	`yolox-s`	Tên hoặc đường dẫn mô hình
`conf`	`0.25`	Ngưỡng độ tin cậy
`iou`	`0.45`	Ngưỡng IoU cho NMS
`imgsz`		Kích thước ảnh đầu vào: `640` (vuông) hoặc `480x640` (cao x rộng). Dùng kích thước đầu vào của chính mô hình khi không đặt
`classes`		Lọc theo ID lớp đối tượng, ví dụ `[0,2,5]`. Chấp nhận một số nguyên đơn lẻ
`max_det`	`300`	Số phát hiện tối đa trên mỗi ảnh
`half`	`false`	Inference FP16 (chỉ CUDA, cần mô hình hỗ trợ)
`save`	`false`	Lưu ảnh đã vẽ chú thích
`batch`	`1`	Số ảnh mỗi lượt forward khi nguồn là thư mục. Lớn hơn 1 sẽ chạy inference theo batch thật sự trên các mô hình hỗ trợ
`stream`	`false`	Trả kết quả dần dần. Tự động bật cho webcam và luồng trực tiếp
`stream_buffer`	`false`	Đệm mọi khung hình trực tiếp thay vì chỉ giữ khung mới nhất
`vid_stride`	`1`	Xử lý mỗi khung hình thứ N của video hoặc luồng trực tiếp
`show`	`false`	Hiển thị kết quả video và luồng trực tiếp; `q` để dừng
`tiling`	`false`	Inference chia ô cho ảnh lớn
`overlap_ratio`	`0.2`	Tỉ lệ chồng lấn giữa các ô
`output_path`		Đường dẫn đầu ra tường minh. Nếu không có thì dùng `project/name` khi `save=true`
`color_format`	`auto`	Màu đầu vào: `auto`, `rgb`, `bgr`
`output_file_format`		Định dạng đầu ra: `jpg`, `png`, `webp`
`device`	`auto`	Thiết bị: `0`, `cpu`, `mps`, `auto`
`face_detector`		Mô hình phát hiện khuôn mặt (đường dẫn hoặc tên CLI). Bắt buộc với các mô hình gaze
`gallery`		Tệp `.npz` gallery khuôn mặt sinh từ `libreyolo enroll` để đối chiếu danh tính. Chỉ dành cho mô hình face-embedding
`gallery_threshold`	`0.4`	Ngưỡng cosine để khớp một danh tính trong gallery
`project`	`runs/detect`	Thư mục gốc chứa đầu ra
`name`	`predict`	Tên thí nghiệm
`exist_ok`	`false`	Dùng lại thư mục đầu ra đã có
`json`	`false`	Xuất JSON ra stdout
`quiet`	`false`	Tắt stderr
`verbose`	`false`	Xuất stderr chi tiết
`help_json`	`false`	In schema của lệnh dưới dạng JSON rồi thoát

Ví dụ

Cơ bản

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

Lưu ảnh đã vẽ chú thích

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

Lọc lớp đối tượng, JSON trên stdout

# lớp đối tượng 0 là person trong danh sách lớp COCO đi kèm checkpointlibreyolo 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

Ghi chú

Một artifact đã xuất được tải theo đúng cách như một checkpoint, nên model=weights/LibreYOLO9s.onnx và model=weights/LibreYOLO9s.engine đều là giá trị hợp lệ cho model. Có ba tùy chọn bị từ chối trên các runtime đó thay vì bị bỏ qua: tiling, overlap_ratio và output_file_format sẽ thoát với config_unsupported khi một backend runtime không thể đáp ứng chúng.

half thì ngược lại. Các runtime đã xuất nhận tham số này và chạy ở FP16; inference PyTorch gốc ghi log rằng nó bị bỏ qua và tiếp tục chạy ở FP32.

Các mô hình gaze gồm hai giai đoạn và không có bộ phát hiện của riêng chúng, nên face_detector là bắt buộc với chúng. gallery chỉ áp dụng cho các mô hình có tác vụ là embed; truyền nó cho bất kỳ thứ gì khác sẽ thoát với config_unsupported.

stdout chỉ mang kết quả và không mang gì khác; tiến trình, cảnh báo và lỗi đều đi ra stderr. json=true in một đối tượng JSON cho mỗi lần gọi, hoặc một đối tượng cho mỗi khung hình khi chạy ở chế độ stream, mỗi đối tượng đều mang schema_version. quiet=true tắt stderr. Dùng cả hai cùng lúc sẽ cho chương trình đọc tự động một luồng stdout sạch.

Mã thoát là 0 khi thành công, 2 khi dùng sai hoặc lỗi cấu hình, 3 khi không tìm thấy nguồn, 4 khi không tải được mô hình, và 1 cho các lỗi runtime khác.

help_json=true in ra các tham số, kiểu dữ liệu, giá trị mặc định và cờ của lệnh dưới dạng JSON mà không chạy gì cả, đây là cách đáng tin cậy để đọc lại bảng này từ phiên bản đã cài đặt.

Liên quan: libreyolo val để đo các chỉ số trên một tập dữ liệu (dataset), libreyolo export để tạo ra các artifact runtime nêu ở trên.