FAQ

Mit welchem Modell sollte ich beginnen?

YOLOv9 als CNN-Detektor und RF-DETR als Transformer-Detektor. Beide gehören zur Flagship-Stufe. Funktionen werden zuerst für sie entwickelt und auf GPUs validiert. Weitere Informationen findest du unter YOLOv9, RF-DETR oder in der Übersicht aller Modelle.

Benötige ich eine GPU?

Nein. Jedes Modell läuft auf einer CPU, und alle Beispiele im Schnellstart sind dafür ausgelegt. Eine GPU beeinflusst die Dauer von Training und Video-Inferenz, nicht deren grundsätzliche Funktionsfähigkeit.

Wie wählt LibreYOLO ein Gerät aus?

Der Standardwert ist device="auto". Damit wird CUDA verwendet, wenn PyTorch es als verfügbar meldet, anschließend Metal Performance Shaders, sofern diese verfügbar sind, und andernfalls die CPU. Um ein Gerät festzulegen, übergib device an das Modell oder an predict, train, val und export. Akzeptiert werden "cpu", "cuda", "cuda:0", "mps", eine einfache Ganzzahl wie 0 oder ein Ziffernstring. Die beiden letzten Formen werden zu cuda:<n> erweitert.

libreyolo checks gibt den Torch-Build, seine CUDA- und cuDNN-Versionen sowie jede sichtbare GPU aus. Wenn dieser Befehl kein CUDA anzeigt, ist das PyTorch-Wheel ein CPU-Build. Unter Installation erfährst du, wie du es ersetzt.

Wo werden heruntergeladene Gewichte gespeichert?

Im Verzeichnis weights/ relativ zum Arbeitsverzeichnis. Eine Modellreferenz ohne Verzeichniskomponente wird dort aufgelöst und bei der ersten Verwendung heruntergeladen. Eine Referenz mit Verzeichnis wird genau wie angegeben verwendet und nie abgerufen. Weitere Informationen findest du unter Checkpoints und Gewichte.

Kann LibreYOLO ohne Netzwerkzugriff ausgeführt werden?

Ja. Rufe die Checkpoints einmal auf einem verbundenen Rechner ab und übertrage das Verzeichnis weights/. Danach greift LibreYOLO nicht mehr auf das Netzwerk zu. Ein gemeinsam genutzter schreibgeschützter Pfad funktioniert ebenfalls, da eine Referenz mit Verzeichnis wörtlich übernommen wird. Datensätze werden unter ~/datasets oder im Pfad aus LIBREYOLO_DATASETS_DIR aufgelöst.

Kann ich LibreYOLO kommerziell nutzen?

Der Code steht unter der MIT-Lizenz. Für vortrainierte Gewichte gilt dies nicht automatisch. Sie können Bedingungen des Projekts oder Datensatzes übernehmen, aus dem sie stammen. Diese Bedingungen sind selbst innerhalb einer Familie nicht einheitlich. Maßgeblich ist die Lizenz des konkreten Repositorys auf Hugging Face. Jede Modellseite enthält einen Lizenzierungsabschnitt, der sie wiedergibt. Bei eingeschränkten Gewichten zeigt LibreYOLO die Einschränkung vor Beginn des Downloads an.

Kann ich einen Checkpoint aus einem anderen Projekt laden?

In der Regel ja. Übergib seinen Pfad an LibreYOLO(). Erkannte Upstream-Layouts werden beim Laden konvertiert. Klassenzahl und Namen bleiben erhalten, und neben der Quelldatei wird ein LibreYOLO-Checkpoint geschrieben. Unter Vorhandene Gewichte importieren erfährst du, welche Formate erkannt werden und welche ein Konvertierungsskript benötigen.

Warum löst train einen NotImplementedError aus?

Weil diese Familie nur Inferenz unterstützt. Die Ausnahme nennt den Grund. Vorhersage, Validierung und, sofern unterstützt, Export funktionieren. Für diese Architektur gibt es in LibreYOLO jedoch keine Trainingsschleife. Die Support-Stufe im Kopfbereich einer Modellseite informiert dich darüber, bevor du es versuchst. Siehe Grundkonzepte.

Was gibt val zurück?

Ein einfaches Dictionary und kein Objekt. Zu den Erkennungsschlüsseln gehören metrics/precision, metrics/recall, metrics/mAP50 und metrics/mAP50-95. Andere Aufgaben geben die für sie relevanten Schlüssel zurück, etwa metrics/accuracy_top1 für Klassifikation oder metrics/PQ, metrics/SQ und metrics/RQ für panoptische Segmentierung.

Wie verarbeite ich einen Ordner, ein Video oder eine Webcam?

Übergib die Quelle. Ein Dateipfad steht für ein Bild, ein Verzeichnis für alle darin enthaltenen Bilder, ein Videopfad für ein Video und eine Ganzzahl für einen Webcam-Index. Eine RTSP-, RTMP-, TCP-, UDP- oder HLS-URL bezeichnet einen Livestream. Eine .streams-Datei führt mehrere Quellen auf. Live-Quellen erfordern stream=True. Dadurch wird pro Frame ein Results-Objekt geliefert, statt eine Liste aufzubauen. Dieses Flag lohnt sich auch für lange Videos und große Verzeichnisse. Nur YouTube-Seiten-URLs benötigen mit libreyolo[stream] ein Extra.

Wie behalte ich nur bestimmte Klassen?

Übergib die gewünschten Klassenindizes mit classes an predict, zum Beispiel classes=[0, 2]. conf legt den Confidence-Schwellenwert fest, standardmäßig 0.25. max_det begrenzt die Erkennungen pro Bild, standardmäßig auf 300.

Verwendet die CLI Flags oder key=value-Paare?

Für jeden Befehl werden Schlüssel und Wert durch ein Gleichheitszeichen verbunden:

libreyolo predict model=yolo9-t source=my-image.jpg save=True
libreyolo train model=yolo9-t data=coco8.yaml epochs=50 imgsz=640

model akzeptiert einen Pfad oder einen Kurznamen der Form family-size, optional mit Aufgabensuffix. libreyolo models führt alle gültigen Namen auf. Diagnose- und Inventarbefehle akzeptieren außerdem --json. Damit werden dieselben Daten als maschinenlesbares Objekt auf stdout ausgegeben.

Kann jedes Modell in jedes Format exportiert werden?

Nein. Die Unterstützung gilt pro Familie und Aufgabe und ist nicht einheitlich. Außerdem muss für jedes Format ein eigenes Extra installiert werden. Jede Modellseite enthält die Exportmatrix ihrer Familie. Der Exportabschnitt beschreibt die Formate selbst.

Worin unterscheiden sich segment, semantic und panoptic?

Es sind drei getrennte Aufgaben. segment erzeugt eine Maske pro erkanntem Objekt. semantic weist jedem Pixel eine Klasse zu, trennt aber keine Instanzen. panoptic gibt jedem Pixel genau ein Label und vereint zählbare Things mit formlosem Stuff. Sie verwenden unterschiedliche Ground Truth, Ergebnisfelder und Metriken. Eine Familie unterstützt die Aufgaben, die in ihrer Aufgabenliste aufgeführt sind.

Wie trainiere ich mit eigenen Klassen?

Erstelle eine Datensatz-YAML mit train, val und names. Die Labels liegen parallel zu den Bildern in einem labels/-Verzeichnisbaum. Pro Bild gibt es eine .txt-Datei mit normalisierten Koordinaten. nc ist optional und muss, falls vorhanden, mit names übereinstimmen. Führe zuerst libreyolo doctor <data.yaml> aus. Der Befehl prüft den Datensatz auf Probleme und beendet sich bei Fehlern mit einem von null verschiedenen Status. Dadurch kannst du ihn als CI-Gate verwenden.

Warum erscheint beim Laden eine Metadatenwarnung?

Weil der Checkpoint keine vollständigen v1.0-Metadaten enthält. Das Laden wird über einen Kompatibilitätspfad fortgesetzt. Die Warnung nennt genau die fehlenden Schlüssel. Führe libreyolo metadata path=<file> aus, um die vorhandenen Metadaten anzuzeigen. Unter Checkpoints und Gewichte erfährst du, welche Angaben das Schema verlangt.

Ein Import funktioniert nach einem Upgrade nicht mehr. Was hat sich geändert?

Zwei Klassennamen wurden aus Konsistenzgründen umbenannt: LibreYOLORTDETR wurde zu LibreRTDETR und LibreYOLORFDETR zu LibreRFDETR. Die alten Namen werden weiterhin aufgelöst und geben einen DeprecationWarning mit einem Verweis auf den neuen Namen aus. Bestehender Code läuft daher weiter, während du ihn aktualisierst.