YOLOv1

Instalación

YOLOv1 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.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO1b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLO1b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

El objeto Results que se devuelve es el mismo que devuelve cualquier familia, así que cambiar a otro detector es un cambio de una línea. Dos cosas son específicas de esta familia. El checkpoint publicado está entrenado con Pascal VOC (2007+2012), no con COCO, así que box.cls indexa las 20 categorías de VOC (aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor) en lugar de las 80 de COCO. Y la cabeza de detección totalmente conectada acepta una imagen cada vez, así que una lista de fuentes se recorre en bucle en vez de ejecutarse como un batch real. Consulta predicción para fuentes, streaming y manejo de resultados.

Validación

val() devuelve un diccionario de claves metrics/ que cubren la precisión, el recall, el mAP 50 y el mAP 50-95, medidos sobre un dataset en el mismo espacio de etiquetas estilo VOC con el que se entrenó el checkpoint.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreYOLO1b.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("LibreYOLO1b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreYOLO1b.pt format=onnxlibreyolo export model=LibreYOLO1b.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("LibreYOLO1b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia