LocateAnything

Instalación

LocateAnything necesita el extra vlm, que arrastra transformers junto con los paquetes decord, lmdb y peft que importa al cargarse su código remoto de Hugging Face.

pip install "libreyolo[vlm]"

Predicción

LibreLocateAnything es una clase de Python, no un checkpoint .pt: no se carga a través de la factoría LibreYOLO() y la CLI de libreyolo no lo resuelve. La factoría LibreVLM(...) (from libreyolo import LibreVLM) también llega a esta familia por alias, por ejemplo LibreVLM("locate-anything"); la clase que se usa abajo es lo que construye. Cargarla descarga y ejecuta el código remoto del modelo publicado por NVIDIA en Hugging Face, así que LibreYOLO fija la descarga a una revisión de commit concreta en lugar de a la rama mutable main, y registra un aviso de licencia una única vez antes de la primera descarga.

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Vocabulario abierto: vale cualquier palabra, no una cabeza de clases# fija. Persiste en cada predict()/track() posterior hasta volver a fijarlo.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 LibreLocateAnything, SAMPLE_IMAGE # task="point" devuelve un punto por objeto encontrado en vez de una caja.# Cambia de tarea en un modelo ya cargado con model.set_task("point").model = LibreLocateAnything(size="3b", task="point")model.set_classes(["the person closest to the camera"])result = model(SAMPLE_IMAGE, save=True) for pt in result.points:    print(pt.cls, pt.conf, pt.xy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # La vía de escape bajo la comodidad de la detección: preguntas libres,# recuentos o cualquier prompt que el envoltorio de cajas no cubra.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes (tarea detect) y result.points (tarea point) llevan la salida parseada igual que en cualquier otra familia. La confianza es un marcador de posición: LocateAnything no emite ninguna puntuación por caja, así que todas las detecciones reciben la misma confianza constante, y conf= solo descarta las filas por debajo de esa constante, no las ordena. Si te saltas set_classes(), el vocabulario cae por defecto en los nombres de COCO-80. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Un único tamaño publicado, 3b. Dos tareas comparten los mismos pesos: detect (la predeterminada) devuelve cajas y task="point" devuelve en su lugar un único punto por objeto encontrado, en result.points; se cambia de una a otra sobre un modelo ya cargado con model.set_task("point"). El harness de benchmarks de LibreYOLO no ha medido esta familia, así que no hay cifras de precisión publicadas con las que compararlo.

LibreYOLO expone esta familia solo para predicción. train(), val() y export() lanzan todos NotImplementedError: haz el fine-tuning upstream y carga el resultado, la validación sobre dataset se omite porque una confianza de marcador de posición haría engañoso el mAP de COCO, y la exportación queda fuera del alcance para un modelo generativo sin state dict que trazar.

Licencia

Cita

@article{wang2025locateanything,
  title   = {LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding},
  author  = {Shihao Wang and Shilong Liu and Yuanguo Kuang and Xinyu Wei and
             Yangzhou Liu and Zhiqi Li and Yunze Man and Guo Chen and
             Andrew Tao and Guilin Liu and Jan Kautz and Lei Zhang and Zhiding Yu},
  journal = {arXiv:2605.27365},
  year    = {2026},
}