YOLOv3

YOLOv3 es el detector Darknet-53 que añadió la predicción multiescala y los clasificadores logísticos independientes a la línea YOLO. LibreYOLO lo conserva como una pieza de museo congelada y solo de inferencia, en tamaños tiny, base y SPP.

Tareas: detection
Tamaños: t, b, spp at 416 to 608 px
Instalación: pip install libreyolo
Nivel de compatibilidad: Museo, desde v. Pieza de exposición congelada. Solo se corrigen errores.
Proyecto original: YOLOv3 de Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Artículo, fuente
Licencias: Código MIT, pesos Public domain (Darknet "YOLO LICENSE"). Uso comercial

Instalación

YOLOv3 no necesita ningún extra más allá del paquete base.

bash

pip install libreyolo

Predicción

Esta familia es solo de inferencia: train() lanza NotImplementedError, así que esta página no tiene sección de entrenamiento. Predicción, validación y exportación sí están soportadas. Los pesos se descargan de Hugging Face en el primer uso y se guardan en la caché local.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO3b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO3b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Tamaño SPP

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La variante SPP añade un bloque de spatial pyramid pooling antes de las# cabezas de detección y funciona con su propio tamaño de entrada nativo.model = LibreYOLO("LibreYOLO3spp.pt")result = model(SAMPLE_IMAGE)

El objeto Results devuelto es el mismo que devuelve cada familia, así que cambiar a otro detector es un cambio de una línea. conf filtra el umbral de confianza e iou el umbral de NMS, aplicados por escala antes de fusionar los boxes de las tres cabezas. Consulta predicción para fuentes, streaming y manejo de resultados.

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 valides.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO3b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO3b.pt data=my-dataset.yaml

Exportación

Tarea	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: compatible	Detection to TorchScript: compatible	Detection to ExecuTorch: compatible	Detection to TensorRT: compatible	Detection to OpenVINO: compatible	Detection to Paddle: no compatible	Detection to MNN: no compatible	Detection to RKNN: no compatible	Detection to ncnn: compatible	Detection to TFLite: no compatible	Detection to CoreML: no compatible	Detection to Core AI: compatible

Un artefacto exportado se vuelve a cargar a través de LibreYOLO() por su sufijo 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 desnudo, sin LibreYOLO instalado, también está soportado, pero entonces el preprocesamiento y el postprocesamiento corren de tu cuenta.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO3b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO3b.pt format=onnxlibreyolo export model=LibreYOLO3b.pt format=tensorrt half=True

Usar el archivo exportado

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factoría enruta según el sufijo del archivo, así que un artefacto# exportado se carga como cualquier checkpoint y devuelve el mismo objeto Results.model = LibreYOLO("LibreYOLO3b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Archivo	Entrada (px)	Licencia de los pesos
Detection
LibreYOLO3t.pt	416	other
LibreYOLO3b.pt	416	other
LibreYOLO3spp.pt	608	other

Todos los archivos anteriores existen hoy en la organización de LibreYOLO y se descargan la primera vez que se usan.

Licencia

Comprueba la licencia en el repositorio de Hugging Face de los pesos concretos que descargues. Cada checkpoint de la organización de LibreYOLO incluye una, y no siempre es la misma en toda una familia. Ese repositorio es la fuente autorizada; el resumen siguiente describe qué se aplicaba cuando se verificó esta página por última vez.

Esta es una descripción de las licencias implicadas, no asesoramiento legal. Si la respuesta es importante a nivel comercial, lee las licencias y busca tu propio asesoramiento.

Trabajo original: YOLOv3, Joseph Redmon
Licencia del proyecto original: Public domain (Darknet "YOLO LICENSE")
Fuente del proyecto original: github.com/pjreddie/darknet
Código de LibreYOLO: MIT
Pesos: Public domain (Darknet "YOLO LICENSE"), republicados en huggingface.co/LibreYOLO
Interpretación: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT.