ResNet

Instalación

ResNet no necesita ningún extra opcional. Todo lo que importa está en la instalación 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("LibreResNet50-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreResNet50-cls.pt source=cat.jpg save=True

El objeto Results devuelto es el mismo que devuelven todas las familias, así que cambiar a otro modelo es un cambio de una línea. Un clasificador no lleva cajas ni máscaras: result.probs contiene la predicción de la imagen completa, con top1, top5, top1conf y top5conf. conf, iou y max_det se aceptan por paridad de API, pero no tienen efecto, porque no hay nada que umbralizar ni suprimir en un único vector de probabilidades. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Cuatro profundidades, todas entrenadas y evaluadas de la misma forma, así que elegir una es un intercambio directo entre número de parámetros y precisión. La tarea es fija: todos los tamaños cubren solo clasificación. El nombre del archivo de pesos termina en -cls.pt en todos los tamaños, y ese sufijo es lo que lee la factoría para enrutar a esta familia; no hace falta ningún argumento task=.

Entrenamiento

El fine-tuning parte del backbone de ImageNet publicado y reconstruye automáticamente la capa final del clasificador para que coincida con el número de clases del dataset objetivo.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Si no tocas nada, el trainer ejecuta 100 épocas con lr0=1e-3 y AdamW, un batch de 64 y parada temprana tras 50 épocas sin mejora. data acepta la raíz de un dataset (train/ y val/, una carpeta por clase), un nombre corto conocido como imagenette160, o una URL a un .zip. lora=True no está soportado aquí; pasarlo lanza un error, porque LoRA en LibreYOLO actúa sobre componentes de transformer con capas nn.Linear y ResNet no tiene ninguna.

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

Validación

val() devuelve un diccionario de claves metrics/. En clasificación son la precisión top-1 y top-5 sobre el split de validación.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreResNet50-cls.pt data=imagenette160

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. Exportación lista los argumentos que acepta cada formato y los extras que añaden algunos de ellos.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreResNet50-cls.pt format=onnxlibreyolo export model=LibreResNet50-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("LibreResNet50-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@article{He2015,
	author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
	title = {Deep Residual Learning for Image Recognition},
	journal = {arXiv preprint arXiv:1512.03385},
	year = {2015}
}