PicoDet

Instalación

PicoDet no necesita nada más allá del paquete base.

pip install libreyolo

Predicción

Los pesos se descargan de Hugging Face en el primer uso y se guardan en la caché local.

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

El objeto Results devuelto es el mismo que devuelven todas las familias, así que cambiar a otro detector es un cambio de una línea. conf fija el umbral de confianza y iou el umbral de NMS. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Tres tamaños, cada uno a su propia resolución de entrada fija: s el más pequeño y l el más grande. La resolución crece con el tamaño, así que los checkpoints más grandes también son más caros de ejecutar por imagen, además de llevar más parámetros.

Entrenamiento

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

# Merece la pena fijar imgsz: el CLI usa 640 por defecto, mientras que# el checkpoint s es nativo a 320.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

Los componentes de la loss y el assigner siguen la receta de upstream: VFL, DFL, GIoU y SimOTA, con ponderación por calidad de clasificación y targets de VFL con IoU dinámico. La inferencia es equivalente bit a bit a la de upstream sobre el mismo checkpoint.

Lo que no se ha comprobado, según el propio docstring de train(): la convergencia sobre un dataset completo, el comportamiento multi-GPU y cualquier aumento de datos (data augmentation) más allá del volteo horizontal. El checkpoint s a su resolución nativa de 320 tampoco ha superado de forma fiable el mínimo de precisión de LibreYOLO en el fixture de 30 imágenes y dos clases con el que la biblioteca prueba los fine-tunes pequeños. Ese tamaño encaja mejor a escala de COCO completo.

train() también acepta un argumento pretrained, pero el valor nunca se lee dentro del método: el entrenamiento siempre continúa desde los pesos con los que se construyó el modelo, así que pretrained=False no reinicializa la red. Si dejas imgsz sin fijar en Python, toma la resolución nativa del checkpoint cargado: 320 para s, 416 para m y 640 para l. El CLI siempre envía un imgsz, con 640 por defecto, así que fíjalo ahí para que coincida con el checkpoint.

Si no se toca nada más, el trainer ejecuta 300 épocas con SGD a lr0=0.01, momentum 0.9, weight decay 4e-5 y un warmup de 1 época sobre un schedule coseno. El volteo horizontal es el único aumento de datos que se aplica.

Consulta entrenamiento para datasets, aumento de datos (data augmentation), multi-GPU y loggers.

Validación

val() devuelve un diccionario de claves metrics/ que cubren precisión, recall, mAP 50 y mAP 50-95, medidas contra cualquier dataset en el formato con el que entrenaste.

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

Exportación

Un artefacto exportado se vuelve a cargar con LibreYOLO() según la extensión del 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("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 # 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("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@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}
}