使用 Results 对象

一个对象，每种载荷一个槽位

对一张图像做一次预测返回一个 Results。它带着十八个载荷槽位，模型只填充自己 这个任务会产出的那些。其余每个槽位都是 None，所以在检测器上读 result.masks 得到的是 None，而不是报错。

和它们并列的，是每个结果都有的那些字段：orig_shape 是 (height, width)， path 是源路径（内存输入时为 None），names 把类别 id 映射到类别名， frame_idx 用于视频和实时帧，track_id 在跟踪时出现，还有 restore_scale， 即恢复类结果的整数放大倍数。

result.normals 是 result.normal_map 的别名。

result.speed 每个结果上都有，但只有集成会填充它， 这时它的键是 member_0、member_1 和 fusion，单位是毫秒。单个模型时它一直 是一个空字典。

Boxes

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE) print(result.orig_shape)   # 源图像的 (height, width)print(result.path)         # 源路径，内存输入时为 None for xyxy, conf, cls in zip(    result.boxes.xyxy.tolist(),    result.boxes.conf.tolist(),    result.boxes.cls.tolist(),):    print(result.names[int(cls)], round(float(conf), 3), xyxy)

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy[:1])    # 像素，x1 y1 x2 y2print(result.boxes.xywh[:1])    # 像素，中心 x、中心 y、w、hprint(result.boxes.xyxyn[:1])   # 同一个框除以宽和高print(result.boxes.xywhn[:1])

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE) # 下面每一个都返回新的 Results，原对象不变as_numpy = result.numpy()on_cpu = result.cpu() print(type(as_numpy.boxes.xyxy).__name__)print(type(on_cpu.boxes.xyxy).__name__)

Boxes 把坐标和分数分开存成几个数组，而不是打包成一个张量。

cls 是浮点数组，所以要这样用它：result.names[int(cls)]。

xyxyn 和 xywhn 需要 orig_shape，这个字段由 Results 替你填好。

稠密载荷

覆盖整张图像的载荷，行为和逐实例的载荷不同，切片的时候这一点很重要。

SemanticMask 存的是原始画布上的 (H, W) 类别 id，其中 255 被保留为忽略值， 永远不算作一个类别。classes 列出出现过的 id，并把它排除在外；class_mask(id) 返回一个布尔的 (H, W)。

PanopticSegmentation 存的是 (H, W) 分段 id，0 是 void id，另外还有一个 segments_info 字典列表，每项至少带 id 和 category_id。segment_ids 列出 出现过的 id，segment_mask(id) 选出其中一个。

DepthMap 存的是 (H, W) 相对逆深度：值越大表示越近，而且这些值不是以米为 单位的度量值。它提供在有限值上算出的 min、max、mean，以及把范围重新缩放 到 [0, 1] 的 normalized()。

NormalMap 存的是 OpenCV 相机坐标系下的 (H, W, 3) 单位向量，+x 向右， +y 向下，+z 指向场景内部，所以正对相机的表面是 (0, 0, -1)。 assert_normalized() 检查每个像素都是有限值、且长度为 1。

EdgeMap 存的是 [0, 1] 区间的 (H, W) float32。这里保留的是连续图，而不是 阈值化之后的结果，所以选择截断点的地方是 binary(threshold=0.5)。

Matte 存的是 [0, 1] 区间的 (H, W) float32，1 表示完全是前景。array 返回裁剪后的 float32。

RestoredImage 存的是 (H, W, 3) uint8 RGB，array 给出原始 ndarray， save(path) 把它写出去。

Probs 为整张图像存一个概率向量。top1 和 top5 是类别索引，top1conf 和 top5conf 是对应的分数。

Embeddings 存的是已经做过 L2 归一化的 (N, D) 行，所以余弦相似度就是一次 点积。similarity(other) 对图库返回 (N, M)，对单个向量返回 (N,)； verify(i, j, threshold=0.4) 比较两行。

OCRRegions 按阅读顺序存 (N, 4, 2) 多边形，四个角点依次是左上、右上、右下、 左下。转写文本在 texts 里，识别分数在 conf 里，检测分数在 det_conf 里。 因为这些是真正的旋转多边形，它们不会填充 boxes；需要矩形时，ocr.xyxy 给出 轴对齐的外接框。

切片与搬移

result[i] 返回一个只装着一个实例的新 Results。逐实例的载荷会被切片，整图的 载荷则原样带过去，所以对一个分类结果切片不会把它的概率向量截断成单个类别，对一 个深度结果切片也不会破坏 (H, W) 的布局。

len(result) 数的是实例：检测框、点、嵌入向量、OCR 区域或网格。任何稠密的整图 载荷都算作 1。什么都没装的结果是 0。

to()、cpu()、cuda() 和 numpy() 各自返回一个新的 Results，其中每个已 填充的槽位都转换过。它们不会修改原对象。

update() 是唯一一个原地修改的方法，它替换指定名字的槽位，并返回同一个对象。

JSON

import json from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE) rows = result.summary()print(json.dumps(rows[:2], indent=2)) # 同样的内容，只是以字符串返回，关键字参数也一样print(result.to_json(normalize=True, decimals=3)[:200])

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

summary() 返回一个由普通字典组成的列表，to_json() 就是把这个列表交给 json.dumps。两者接受同样的三个参数：normalize=False 把坐标切换成 [0, 1]， decimals=5 设置四舍五入位数，embeddings=False 控制要不要包含嵌入向量。

每一行的形状跟着载荷走。检测行带 name、class、confidence 和一个 box 字典，有掩码时会加上 segments，旋转框会加上 obb 和 corners，视线会加上以 弧度和角度两种单位给出的 gaze 角度，跟踪时加上 track_id，有网格时加上 mesh 参数。

没有检测框时，由某一个载荷来决定这些行：OCR 每个区域输出一行，带上它的 text，点每个点一行，全景每个分段一行、带 pixel_count 和 pixel_fraction， 语义每个出现过的类别一行，分类输出前五个类别。深度、法线、边缘、恢复和抠图各自 只输出一行汇总，描述的是这张图本身，而不是它的像素。

有两种载荷是有意精简过的。嵌入向量只报告 embedding_dim，因为一行 512 个浮点数 意味着每张脸大约 2 KB；传 embeddings=True 才会把数值也包含进来。网格顶点则 完全不包含，因为那是每个人几万个坐标。要拿几何数据，读 result.meshes.vertices 或者调用 result.meshes.save_obj(path)。

绘制与保存

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt") # save=True 会画出载荷，并写到 runs/detect/predict* 下result = model(SAMPLE_IMAGE, save=True)print(result.saved_path)

predict(save=True) 才是那条既标注又写盘的路径。它根据哪个槽位被填充来挑选绘制 例程，所以语义结果写出来是一张上色（colorize）后的掩码，深度结果写成深度可视化 图，全景结果带上它的分段，matte 写成透明背景的 RGBA PNG，检测器写成检测框、掩码 画在框下面。写出的路径会作为 result.saved_path 挂在结果上。

Results.plot() 比它的名字听上去要窄。它只为法线图和边缘图定义，其他任何情况都 抛 NotImplementedError。别的任务请用 save=True。

Results.save(path) 同样窄：它把 matte 结果写成透明背景的 RGBA PNG 抠图，其他 情况一律抛 NotImplementedError。Results.cutout() 返回同一个 RGBA 数组，但 不写盘。两者都需要源图像，从 result.path 取，或者用 image= 传进来。

有两种载荷自带写盘方法：恢复后的图像用 result.restored.save(path)，网格用 result.meshes.save_obj(path, index=0)。

文件最终落在哪里，以及 output_path 和 output_file_format 的行为，见 预测数据源。

导出产物返回同样的对象

pip install "libreyolo[onnx]"

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")path = model.export(format="onnx")   # 返回写入的路径 # LibreYOLO() 按文件后缀分派exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE) print(type(result).__name__, len(result.boxes))

LibreYOLO() 按文件后缀分派，所以一个导出产物和一个 .pt 检查点（checkpoint） 走同一个调用加载，返回同样的 Results。.onnx、.engine、.pte 和 .mnn 文件按后缀识别，OpenVINO、Paddle 和 ncnn 目录以及 Triton 模型 URL 也一样。把一个 模型换成它的导出版本时，读 result.boxes.xyxy 的代码不用改。完整的格式清单见 导出。

反过来，直接去用运行时自己的 API，就意味着预处理、后处理和类别名都得你自己管。