DeiT

Instalación

DeiT no necesita ningún extra más allá del paquete base.

pip install libreyolo

Predicción

Esta familia es solo de inferencia: train() lanza NotImplementedError, así que esta página no tiene sección de entrenamiento. La predicción, la validación y la exportación sí están soportadas. Los pesos se descargan de Hugging Face en el primer uso y se guardan en la caché local. El sufijo -cls del nombre de archivo es obligatorio y selecciona la tarea de clasificación.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDeiTb-cls.pt")result = model(SAMPLE_IMAGE) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreDeiTb-cls.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

El objeto Results que se devuelve lleva un tensor probs en lugar de boxes; top1 y top5 indexan las 1.000 clases de ImageNet-1k y top1conf es la puntuación softmax de la predicción principal. Cada tamaño tiene una resolución de entrada fija que viene de su positional embedding: el preprocesado redimensiona y recorta al centro hasta esa resolución, y pasar un imgsz distinto lanza un error en lugar de remuestrear en silencio. Consulta predicción para fuentes, streaming y manejo de resultados.

Validación

val() devuelve un diccionario con la precisión top-1 y top-5, medida sobre un dataset organizado en la estructura de carpetas convencional train/<class>/ y val/<class>/.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeiTb-cls.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreDeiTb-cls.pt data=my-dataset.yaml

Exportación

Un artefacto exportado se vuelve a cargar con LibreYOLO() según su extensión de archivo, así que un archivo .onnx o .engine se comporta como un checkpoint y devuelve el mismo Results. Ejecutar el grafo en un runtime pelado, sin LibreYOLO instalado, también está soportado, pero entonces el preprocesado y el postprocesado corren de tu cuenta.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeiTb-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreDeiTb-cls.pt format=onnxlibreyolo export model=LibreDeiTb-cls.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factoría enruta según la extensión del archivo, así que un artefacto# exportado se carga como cualquier checkpoint y devuelve el mismo objeto# Results.model = LibreYOLO("LibreDeiTb-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@InProceedings{pmlr-v139-touvron21a,
  title =     {Training data-efficient image transformers & distillation through attention},
  author =    {Touvron, Hugo and Cord, Matthieu and Douze, Matthijs and Massa, Francisco and Sablayrolles, Alexandre and Jegou, Herve},
  booktitle = {International Conference on Machine Learning},
  pages =     {10347--10357},
  year =      {2021},
  volume =    {139},
  month =     {July}
}