Forschung und Wissenschaft

Gebaut fürs Entdecken

Eine Codebasis für Forschende, nicht nur für Anwender. Ändere frei, schau tief hinein und veröffentliche, ohne für das Privileg zu bezahlen.

Keine „Forschungslizenz“ nötig

Manche Frameworks verlangen extra Gebühren für „Forschungs-“ oder „Wissenschaftslizenzen“, nur damit du den Code ansehen darfst, ohne deine Arbeit zu veröffentlichen. LibreYOLO nicht.

Typische „Wissenschaftslizenzen“

Zahlen, um die Forschung privat zu halten
Gebühren für kommerzielle F&E
Komplexe Lizenzstufen
Rechtsprüfung vor der Veröffentlichung

LibreYOLO (MIT)

Frei forschen, alles privat halten
Null Gebühren für jeden Anwendungsfall
Eine einfache Lizenz: MIT
Veröffentlichen ohne rechtliche Bedenken

Native Erklärbarkeit

Sieh in die Black Box

Eingebaute Werkzeuge für Interpretierbarkeit und Erklärbarkeit. Keine externen Abhängigkeiten, kein komplexes Setup, nur Flags und Funktionsaufrufe.

Feature-Map-Extraktion

Ein Flag. Mehr braucht es nicht, um die Zwischenaktivierungen aus jeder Schicht zu speichern. Ideal, um zu verstehen, was dein Modell in jeder Stufe „sieht“.

feature_maps.py

from libreyolo import LibreYOLO

# Enable feature map saving in constructor
model = LibreYOLO(
    model_path="LibreYOLO11m.pt",
    size="m",
    save_feature_maps=True
)

# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")

# Saved to: runs/feature_maps/

backbone_p1.png

1/11

CAM-Visualisierungen

Experimentell

7 eingebaute Class-Activation-Map-Methoden. Rufe model.explain() auf, um Heatmaps zu erzeugen, die zeigen, worauf dein Modell achtet. Diese Funktion ist experimentell, die Ergebnisse können schwanken.

explainability.py

from libreyolo import LibreYOLO

model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")

# One-line CAM visualization
result = model.explain(
    image="parkour.jpg",
    method="gradcam",
    target_layer="neck_c2f22",
    save=True
)

# Returns heatmap and overlay
print(result["heatmap"].shape)

Zum Ändern gebaut

Die Codebasis ist so geschrieben, dass sie leicht zu lesen und zu ändern ist. Willst du ein neues Backbone testen? Mit einem eigenen Attention-Mechanismus experimentieren? Eine neue Verlustfunktion hinzufügen? Nur zu.

yolov11_custom.py

# Your modified architecture

from libreyolo.models.yolov11 import YOLOv11

class YOLOv11Custom(YOLOv11):
    def __init__(self):
        super().__init__()
        # Swap out the backbone
        self.backbone = MyCustomBackbone()

    def forward(self, x):
        features = self.backbone(x)
        return self.head(self.neck(features))

# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")

Starte deine Forschung noch heute

Keine Lizenzgebühren. Keine Paywalls. Keine Einschränkungen, wenn du deine Arbeit privat halten willst. Einfach installieren und loslegen.

$ pip install libreyolo

Dokumentation ansehen