DETR

DETR ist der ursprüngliche Detection Transformer. Statt Anchors oder eines dichten Rasters verwendet er einen Transformer-Decoder mit ungarischer Zuordnung, um eine feste Menge von Objekten vorherzusagen. LibreYOLO bietet vier Größen für die reine Erkennungsinferenz.

Aufgaben: detection
Größen: r50, r50dc5, r101, r101dc5 at 800 px
Installation: pip install libreyolo
Supportstufe: Nur Inferenz, seit v. Nur Vorhersage, Validierung und Export. Trainingsfunktionen sind nicht verfügbar.
Upstream: DETR von Meta AI (FAIR), Apache-2.0. Publikation, Quelle
Lizenzen: Code Apache-2.0, Gewichte Apache-2.0. Kommerzielle Nutzung

Installation

DETR benötigt kein optionales Zusatzpaket. Alle Importe sind in der Basisinstallation enthalten.

bash

pip install libreyolo

Vorhersage

Die Gewichte werden bei der ersten Verwendung von Hugging Face heruntergeladen und lokal zwischengespeichert.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDETRr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreDETRr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Das zurückgegebene Results-Objekt entspricht dem aller anderen Familien. Der Wechsel zu einem anderen Detektor erfordert daher nur eine Änderung in einer Zeile. conf und max_det filtern die Auswahl der Queries. iou wird aus Gründen der API-Parität akzeptiert, hat aber keine Wirkung, weil der Decoder Mengen vorhersagt und keinen NMS-Schritt verwendet. Unter Vorhersage findest du Quellen, Streaming und die Verarbeitung von Ergebnissen.

DETR unterstützt in LibreYOLO nur Inferenz. Upstream wird das Modell 500 Epochen lang mit ungarischer Zuordnung trainiert. Dieses Rezept ist hier nicht implementiert, daher löst train() den Fehler NotImplementedError aus.

Varianten

Vier Checkpoints kombinieren zwei Backbone-Tiefen, ResNet-50 oder ResNet-101, mit einer optional dilatierten C5-Stufe. Bei den DC5-Varianten behält die letzte Backbone-Stufe die volle Auflösung bei, statt sie weiter zu reduzieren. Dadurch liest der Decoder bei derselben Eingabegröße eine feinere Feature Map. Alle vier verwenden 100 gelernte Objekt-Queries, einen sechsschichtigen Transformer-Encoder-Decoder und dieselbe Eingabeauflösung.

Validierung

val() gibt ein Dictionary mit metrics/-Schlüsseln für Precision, Recall, mAP 50 und mAP 50-95 zurück. Diese werden auf einem beliebigen Datensatz in dem Format gemessen, das du für das Training verwendet hast.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt") # val() gibt ein einfaches dict zurück, kein Objektmetrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

CLI

libreyolo val model=LibreDETRr50.pt data=my-dataset.yaml

Export

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

Ein exportiertes Artefakt wird anhand seiner Dateiendung wieder über LibreYOLO() geladen. Eine .onnx- oder .engine-Datei verhält sich daher wie ein Checkpoint und gibt dasselbe Results-Objekt zurück. Export führt die Argumente auf, die von den einzelnen Formaten akzeptiert werden.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt")model.export(format="onnx", imgsz=800)model.export(format="tensorrt", imgsz=800, half=True)

CLI

libreyolo export model=LibreDETRr50.pt format=onnx imgsz=800libreyolo export model=LibreDETRr50.pt format=tensorrt imgsz=800 half=True

Exportierte Datei verwenden

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Die Factory entscheidet anhand der Dateiendung, daher wird ein Exportartefakt# wie jeder Checkpoint geladen und gibt dasselbe Results-Objekt zurück.model = LibreYOLO("LibreDETRr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Alle veröffentlichten Gewichtsdateien dieser Familie.

Datei	Eingabe (px)	Lizenz der Gewichte
Detection
LibreDETRr50dc5.pt	800	apache-2.0
LibreDETRr50.pt	800	apache-2.0
LibreDETRr101dc5.pt	800	apache-2.0
LibreDETRr101.pt	800	apache-2.0

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

Lizenzierung

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: DETR, Meta AI (FAIR)
Upstream-Lizenz: Apache-2.0
Upstream-Quelle: github.com/facebookresearch/detr
LibreYOLO-Code: MIT
Gewichte: Apache-2.0, erneut unter huggingface.co/LibreYOLO veröffentlicht
Einordnung: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code, and weights you train yourself on your own data are yours. The four checkpoints are the official releases linked from the Apache-2.0 repository's model zoo, and the official Hugging Face DETR card independently declares the same license.