Schnellstart

Installation

pip install libreyolo

Das ist alles, was die nachfolgenden Abschnitte zu Vorhersage und Training benötigen. Der Export nach ONNX ergänzt ein Extra. Die vollständige Liste findest du unter Installation.

Vorhersage

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Lädt den Checkpoint bei der ersten Verwendung und speichert ihn in weights/.model = LibreYOLO("LibreYOLO9t.pt") # Ein einzelnes Bild gibt ein Results-Objekt zurück.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True liefert ein Results je Frame, statt eine Liste aufzubauen.# Ersetze den Pfad durch einen Webcam-Index, eine RTSP-URL oder einen Ordner.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO() ist eine Factory. Sie liest die Datei, ermittelt die Familie der Gewichte und gibt das Modell dieser Familie zurück. Der Wechsel zu einem anderen Detektor erfordert daher nur eine geänderte Zeile. Wenn du LibreYOLO9t.pt ohne Verzeichnis übergibst, wird relativ zum Arbeitsverzeichnis nach weights/LibreYOLO9t.pt gesucht und die Datei dort heruntergeladen, falls sie fehlt. Unter Checkpoints und Gewichte findest du die Downloadregeln und Informationen zum Offline-Betrieb.

save=True schreibt eine annotierte Kopie unter runs/detect/ in ein Verzeichnis predict, dessen Nummer sich mit jedem Lauf erhöht. Das zurückgegebene Results-Objekt enthält boxes, und names ordnet einen Klassenindex seinem Label zu. Ein einzelner Bildpfad gibt ein Results-Objekt zurück. Ein Verzeichnis, eine Bilderliste oder stream=True gibt eine Liste beziehungsweise einen Generator solcher Objekte zurück.

Training

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 ist ein mitgelieferter Datensatz mit 8 Bildern. Er wird beim# ersten Aufruf von einer URL geladen, ohne ein Skript auszuführen.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() gibt ein einfaches Dictionary und kein Objekt zurück.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data ist eine Datensatz-YAML. coco8.yaml wird mit der Bibliothek ausgeliefert, weshalb du das Snippet unverändert ausführen kannst. Ein nicht mitgelieferter Name wird als Pfad gelesen. Datensätze werden unter ~/datasets oder, falls die Variable gesetzt ist, unter LIBREYOLO_DATASETS_DIR aufgelöst.

Ein Lauf schreibt in project/name, standardmäßig in ein Verzeichnis unter runs/train. Darin liegen weights/best.pt und weights/last.pt. train() gibt ein Dictionary zurück, das save_dir, best_checkpoint, last_checkpoint, die Loss-Werte jeder Epoche und die Validierungsmetriken jeder Epoche enthält. Der trainierte Checkpoint wird genau wie der vortrainierte über LibreYOLO() geladen.

Nicht jede Familie kann trainiert werden. Wenn eine Familie nur Inferenz unterstützt, löst train() einen NotImplementedError mit einer entsprechenden Meldung aus. Unter Grundkonzepte erfährst du, welche Support-Stufe welche Funktionen umfasst.

Export

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() gibt den geschriebenen Pfad zurück.path = model.export(format="torchscript")print(path) # Die Factory routet nach Dateiendung. Das Artefakt wird daher wie ein# Checkpoint geladen und gibt dasselbe Results-Objekt zurück.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript benötigt über die Basisinstallation hinaus nichts. Jedes andere Zielformat besitzt ein eigenes Extra. Die Unterstützung gilt pro Familie und Aufgabe und ist nicht einheitlich. Siehe Export und Deployment.

Zu den von jedem Format akzeptierten Argumenten gehören imgsz (eine Ganzzahl oder ein Paar aus Höhe und Breite), batch (Standardwert 1), half, int8 zusammen mit einer data-YAML zur Kalibrierung, dynamic (Standardwert True), simplify (Standardwert True), opset, device und output_path. Wenn output_path fehlt, wird die Datei unter weights/ mit einem aus dem Checkpoint abgeleiteten Namen geschrieben.

Nächste Schritte

• Grundkonzepte erklärt Aufgaben, Familien, Größen und Checkpoint-Namen.
• Checkpoints und Gewichte beschreibt automatische Downloads, Offline-Betrieb und sicheres Laden.
• Unter Vorhandene Gewichte importieren erfährst du, wie du einen Checkpoint aus einem Upstream-Projekt verwendest.
• Alle Modelle hilft dir, die passende Familie für dein Problem auszuwählen.
• Training, Vorhersage und Export beschreiben die vollständigen Workflows.