ConvNeXt V2

ConvNeXt V2 is an image classifier with global response normalization.

Aufgaben: classification
Installation: pip install libreyolo
Supportstufe: Unterstützt, seit v1.6.0. Ergänzende trainierbare Modelle: Die CI bleibt grün, Funktionen kommen bei Gelegenheit hinzu.
Upstream: ConvNeXt V2 von Meta AI, MIT code; CC-BY-NC-4.0 weights. Publikation, Quelle
Lizenzen: Code MIT, Gewichte MIT code; CC-BY-NC-4.0 weights. Kommerzielle Nutzung

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.probs)

The eight sizes run classification at 224 pixels. Official pretrained weights are CC-BY-NC-4.0.

Train

Training rebuilds the classification head for an ImageFolder dataset. cls_pw accepts values from 0 to 1 and defaults to 0. class_weights=True selects the alternative sample-normalized weighting; it cannot combine with cls_pw>0. Weighting settings must match when resuming.

Dataset setup describes the required training data.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")# "smoke10" auto-downloads; for your own data, pass a folder with train/ and val/ class subfolders.model.train(data="smoke10", epochs=1, device="cpu", workers=0)

Validate

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")metrics = model.val(data="smoke10", workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Export

Aufgabe	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Classification	Classification to ONNX: unterstützt	Classification to TorchScript: unterstützt	Classification to ExecuTorch: unterstützt	Classification to TensorRT: unterstützt	Classification to OpenVINO: unterstützt	Classification to Paddle: nicht unterstützt	Classification to MNN: nicht unterstützt	Classification to RKNN: nicht unterstützt	Classification to ncnn: unterstützt	Classification to TFLite: nicht unterstützt	Classification to CoreML: nicht unterstützt	Classification to Core AI: nicht unterstützt

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

Datei	Lizenz der Gewichte
Classification
LibreConvNeXtV2atto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2femto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2pico-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2n-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2t-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2b-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2l-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2h-cls.pt	cc-by-nc-4.0

Jede oben aufgeführte Datei ist heute in der LibreYOLO-Organisation verfügbar und wird bei der ersten Verwendung heruntergeladen.

Licensing

Prüfe die Lizenz im Hugging-Face-Repository der konkreten Gewichte, die du herunterlädst. Jeder Checkpoint in der LibreYOLO-Organisation hat eine Lizenz, und sie ist innerhalb einer Familie nicht immer gleich. Dieses Repository ist die maßgebliche Quelle. Die Zusammenfassung unten beschreibt den Stand bei der letzten Verifizierung dieser Seite.

Dies ist eine Beschreibung der beteiligten Lizenzen und keine Rechtsberatung. Wenn die Antwort kommerziell relevant ist, lies die Lizenzen selbst und hole eigenen Rechtsrat ein.

Originalarbeit: ConvNeXt V2, Meta AI
Upstream-Lizenz: MIT code; CC-BY-NC-4.0 weights
Upstream-Quelle: github.com/facebookresearch/ConvNeXt-V2
LibreYOLO-Code: MIT
Gewichte: MIT code; CC-BY-NC-4.0 weights, erneut unter huggingface.co/LibreYOLO veröffentlicht
Einordnung: The source code is MIT. Official pretrained weights are CC-BY-NC-4.0 and exclude commercial use.

Citation

@article{Woo2023ConvNeXtV2,
  title={ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders},
  author={Sanghyun Woo, Shoubhik Debnath, Ronghang Hu, Xinlei Chen, Zhuang Liu, In So Kweon and Saining Xie},
  year={2023},
  journal={arXiv preprint arXiv:2301.00808},
}

Aus dem Zitierblock der Autoren unter raw.githubusercontent.com/facebookresearch/ConvNeXt-V2/main/README.md kopiert.