RF-DETR

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreRFDETRs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreRFDETRs.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # Cualquier fuente que acepta la biblioteca: archivo, carpeta, URL,# índice de webcam, stream RTSP o una lista .streamsfor result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=512, batch=8, lr0=1e-4)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 imgsz=512 batch=8 lr0=1e-4

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, lora=True)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=-1

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # val() devuelve un dict plano, no un objetometrics = model.val(data="my-dataset.yaml", imgsz=512) print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreRFDETRs.pt data=my-dataset.yaml imgsz=512

# El yaml de COCO incluido lleva un script de descarga embebido, así# que necesita permiso explícito salvo que el dataset ya esté en local.libreyolo val model=LibreRFDETRn.pt data=coco.yaml imgsz=384 \  allow_download_scripts=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True) # Argumentos aceptados para todos los formatos:##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai".#             "engine" es un alias de tensorrt, "litert" de tflite.#   imgsz     int, o (alto, ancho). Por defecto, la resolución nativa#             del checkpoint.#   batch     int, por defecto 1.#   half      bool, exporta en FP16. Por defecto False.#   int8      bool, exporta en INT8. Por defecto False. Necesita `data`.#   data      ruta a un YAML de dataset, usado para calibrar int8.#   fraction  float, fracción del conjunto de calibración a usar.#             Por defecto 1.0.#   dynamic   bool, ejes dinámicos. Por defecto True.#   simplify  bool, ejecuta la simplificación del grafo ONNX.#             Por defecto True.#   opset     int, opset de ONNX. Se elige por familia si no se indica.#   device    str, dispositivo en el que trazar. Por defecto, el del#             modelo.#   output_path  str, por defecto un nombre derivado del checkpoint.#   verbose   bool, por defecto False.#   allow_download_scripts  bool, por defecto False. Permite Python#             embebido en un YAML de dataset que haya que descargar.## Algunos formatos aceptan argumentos extra propios, como una# plataforma objetivo de RKNN. Están documentados en la página de# cada formato.

libreyolo export model=LibreRFDETRs.pt format=onnx imgsz=512libreyolo export model=LibreRFDETRs.pt format=tensorrt imgsz=512 half=True

from libreyolo import LibreYOLO # 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("LibreRFDETRs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

import numpy as npimport onnxruntime as ort # Ejecutar el grafo directamente implica hacer tu propio preprocesado# y postprocesado. Inspecciona la firma antes de conectar nada.session = ort.InferenceSession("LibreRFDETRs.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 512, 512), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)