PicoDet

Installation

PicoDet benötigt neben dem Basispaket kein Zusatzpaket.

pip install libreyolo

Vorhersage

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

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

libreyolo predict model=LibrePICODETs.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 legt den Confidence-Schwellenwert und iou den NMS-Schwellenwert fest. Unter Vorhersage findest du Quellen, Streaming und die Verarbeitung von Ergebnissen.

Varianten

Es gibt drei Größen mit jeweils eigener fester Eingabeauflösung: s ist die kleinste und l die größte. Die Auflösung wächst mit der Größe. Größere Checkpoints benötigen pro Bild zusätzlich zu ihrer höheren Parameteranzahl mehr Rechenleistung.

Training

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.train(    data="my-dataset.yaml",    epochs=300, batch=16, lr0=0.01,)

# imgsz sollte gesetzt werden: Die CLI nutzt standardmäßig 640,# der s-Checkpoint ist nativ für 320 ausgelegt.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

Loss-Komponenten und Assigner entsprechen dem Upstream-Rezept: VFL, DFL, GIoU und SimOTA mit Gewichtung nach Klassifizierungsqualität und dynamischen IoU-VFL-Zielen. Die Inferenz ist auf demselben Checkpoint bitgleich mit dem Upstream.

Laut dem eigenen Docstring von train() wurde Folgendes nicht geprüft: Konvergenz auf einem vollständigen Datensatz, Multi-GPU-Verhalten und jede Augmentierung außer horizontaler Spiegelung. Der Checkpoint s bei seiner nativen Größe 320 hat außerdem die Accuracy-Untergrenze von LibreYOLO auf dem Testdatensatz mit 30 Bildern und zwei Klassen für kleine Fine-Tunings nicht zuverlässig überschritten. Diese Größe eignet sich besser im vollen COCO-Maßstab.

train() akzeptiert auch das Argument pretrained, liest dessen Wert aber nie innerhalb der Methode. Das Training wird immer mit den Gewichten fortgesetzt, mit denen das Modell erzeugt wurde. pretrained=False initialisiert das Netzwerk daher nicht neu. Wenn du imgsz in Python nicht festlegst, wird die native Auflösung des geladenen Checkpoints verwendet: 320 für s, 416 für m und 640 für l. Die CLI sendet immer einen Wert für imgsz, standardmäßig 640. Lege ihn dort passend zum Checkpoint fest.

Ansonsten läuft der Trainer ohne Änderungen 300 Epochen mit SGD bei lr0=0.01, Momentum 0.9, Weight Decay 4e-5 und einem Warmup von 1 Epoche auf einem Cosine-Zeitplan. Die horizontale Spiegelung ist die einzige Augmentierung.

Unter Training findest du Datensätze, Datenaugmentierung, Multi-GPU und Logger.

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.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

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

Export

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. Du kannst den Graphen auch in einer einfachen Runtime ohne LibreYOLO ausführen. Dann musst du die Vor- und Nachverarbeitung selbst implementieren.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.export(format="onnx", imgsz=320)model.export(format="tensorrt", imgsz=320, half=True)

libreyolo export model=LibrePICODETs.pt format=onnx imgsz=320libreyolo export model=LibrePICODETs.pt format=tensorrt imgsz=320 half=True

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("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Alle veröffentlichten Gewichtsdateien dieser Familie.

Lizenzierung

Zitieren

@misc{yu2021pppicodet,
      title={PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
      author={Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
      year={2021},
      eprint={2111.00902},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}