LFM2-VL

Installation

LFM2-VL benötigt das Extra vlm, das transformers für das Chat-Template-Backbone mitinstalliert.

pip install "libreyolo[vlm]"

Vorhersage

LibreLFM2VL ist eine Python-Klasse und kein .pt-Checkpoint. Sie wird nicht über die Factory LibreYOLO() geladen und von der libreyolo-CLI nicht aufgelöst. Die Factory LibreVLM(...) (from libreyolo import LibreVLM) erreicht diese Familie ebenfalls über einen Alias, zum Beispiel mit LibreVLM("lfm2-vl-450m"). Sie erstellt die nachfolgend verwendete Klasse. Die Gewichte stammen aus dem eigenen Repository von Liquid AI auf Hugging Face und nicht aus einem LibreYOLO-Spiegel. Beim ersten Aufruf werden sie heruntergeladen und lokal zwischengespeichert. Zuvor wird einmalig ein Lizenzhinweis protokolliert.

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Offenes Vokabular: beliebige Wörter statt eines festen Klassen-Heads.# Gilt für alle späteren predict()/track()-Aufrufe bis zur Neubelegung.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Der Ausweg unterhalb der komfortablen Erkennung: freie Fragen,# Zählaufgaben oder Prompts, die der Boxen-Wrapper nicht abdeckt.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes enthält wie bei jeder anderen Familie die geparsten Erkennungen. Die Confidence ist ein Platzhalter: LFM2-VL gibt keinen Score pro Box aus. Deshalb erhält jede Erkennung denselben konstanten Confidence-Wert, und conf= verwirft lediglich Zeilen unterhalb dieser Konstante, ohne sie zu ordnen. iou verwirft nahezu identische Boxen derselben Klasse oberhalb der angegebenen Überlappung. Solche Wiederholungen entstehen als Nebeneffekt des Greedy Decoding. Dies ist kein klassenweiser NMS-Durchlauf. Ohne set_classes() verwendet das Vokabular standardmäßig die COCO-80-Namen. Unter Vorhersage findest du Informationen zu Quellen, Streaming und Ergebnisverarbeitung.

Varianten

Es gibt zwei Größen: 450m und 1.6b. Beide stammen aus dem LFM2.5-VL-Release von Liquid AI und wurden für das Deployment auf dem Gerät entwickelt. Der Benchmark-Harness von LibreYOLO hat diese Familie noch nicht vermessen. Daher gibt es keine veröffentlichten Accuracy-Werte für einen Vergleich. Wähle eine Größe passend zu deinem eigenen Rechenbudget.

LibreYOLO stellt diese Familie ausschließlich für Vorhersagen bereit. train(), val() und export() lösen jeweils NotImplementedError aus: Führe das Fine-Tuning im Upstream-Projekt durch und lade stattdessen das Ergebnis. Die Datensatzvalidierung wird übersprungen, weil eine Platzhalter-Confidence die COCO-mAP irreführend machen würde. Der Export liegt bei einem generativen Modell ohne nachverfolgbares State Dict außerhalb des Funktionsumfangs.

Lizenzierung

Zitieren

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}