此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 测试
  • CLI
  • Python API
  • 推理
  • 数据集视图
  • 图像和视频
  • Python API
  • 标注
  • CLI
  • Python API
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包
最后更新
使用 test 计算配置的损失和指标,使用 infer 可视化预测,并使用 annotate 将预测转换为 LuxonisDataset。这些示例使用包含其配置和数据集元数据的 LuxonisTrain 检查点。要单独提供配置,请在 CLI 中添加 --config config.yaml,或将 "config.yaml" 作为第一个参数传递给 LuxonisModel。将检查点权重传递给 Python 构造函数,以便在构建模型时可以使用其元数据。

测试

测试评估附加到模型节点的损失和指标。使用 --view 选择 train、val 或 test;默认值为 test。这些名称指的是在 loader 中配置的视图,因此必须提供相应的数据集。

CLI

Command Line
1luxonis_train test --weights path/to/checkpoint.ckpt --view val

Python API

Python
1from luxonis_train import LuxonisModel
2
3model = LuxonisModel(weights="path/to/checkpoint.ckpt")
4metrics = model.test(view="val")
5print(metrics)
同步 Python 调用返回已记录值的映射。指标键对每个选定的视图使用 test/ 前缀。结果发送到配置的 跟踪后端。test() 默认完成跟踪运行。如果使用另一个操作继续该运行,请传递 finalize_tracker=False 并在完成后调用 model.finalize_run()。TestOnTrainEnd 在训练后评估检查点。它选择最佳主指标检查点,如果不存在则回退到验证损失最低的检查点。除非已配置具有该名称的条目,否则自动配置会添加此回调。

推理

infer 运行模型并通过其附加的可视化器渲染预测。如果没有 save_dir,它会打开可视化窗口;按任意键前进,或按 q 或 Esc 停止。设置 --save-dir 将结果写入磁盘,包括在没有图形显示的情况下运行。

数据集视图

Command Line
1luxonis_train infer \
2  --weights path/to/checkpoint.ckpt \
3  --view val \
4  --save-dir predictions
默认推理视图是 val。数据集推理需要为选定的视图提供一个可用的加载器。

图像和视频

使用 --source-path 指定单个图像、图像目录或视频文件:
Command Line
1luxonis_train infer \
2  --weights path/to/checkpoint.ckpt \
3  --source-path path/to/images \
4  --save-dir predictions
将 path/to/images 替换为图像(例如 path/to/image.jpg)或视频(例如 path/to/video.mp4)。目录直接包含图像文件;不遍历子目录。可视化结果保存为 PNG 图像或 MP4 视频。图像和目录推理可以使用检查点元数据,而无需原始数据集。视频推理需要一个可用的验证加载器,因为它使用该加载器的图像预处理。

Python API

Python
1from luxonis_train import LuxonisModel
2
3model = LuxonisModel(
4    weights="path/to/checkpoint.ckpt",
5    allow_empty_dataset=True,
6)
7model.infer(source_path="path/to/images", save_dir="predictions")
allow_empty_dataset=True 允许在无法加载数据集时使用虚拟加载器。它适用于此图像目录示例;它不提供用于数据集推理的真实样本或视频推理所需的预处理。

标注

annotate 直接在目录中预测图像的标签,并将它们写入命名的 LuxonisDataset。输出头必须支持其任务的标注。

CLI

Command Line
1luxonis_train annotate \
2  --weights path/to/checkpoint.ckpt \
3  --dir-path path/to/images \
4  --dataset-name annotated_dataset

Python API

Python
1from luxonis_train import LuxonisModel
2
3model = LuxonisModel(
4    weights="path/to/checkpoint.ckpt",
5    allow_empty_dataset=True,
6)
7dataset = model.annotate(
8    dir_path="path/to/images",
9    dataset_name="annotated_dataset",
10)
该方法返回一个 LuxonisDataset。非空结果以 80/10/10 的比例接收训练、验证和测试拆分。在使用生成的标签进行训练之前,请先查看它们。标注支持 bucket_storage="local" 或 "gcs"。图像目录推理和标注也使用临时本地数据集名称 infer_from_directory。它们会替换任何具有该名称的现有本地数据集,并在之后删除临时数据集;请为这些操作保留该名称。