Inicio rápido

Instalación

pip install libreyolo

Eso es todo lo que necesitan las secciones de predicción y entrenamiento de abajo. Exportar a ONNX añade un extra; consulta instalación para la lista completa.

Predicción

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Descarga el checkpoint en el primer uso y luego lo cachea en weights/.model = LibreYOLO("LibreYOLO9t.pt") # Una sola imagen devuelve un objeto Results.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True genera un Results por frame en lugar de construir una lista.# Sustituye la ruta por el índice de una webcam, una URL RTSP o una carpeta.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO() es una factoría. Lee el archivo, deduce a qué familia pertenecen los pesos y devuelve el modelo de esa familia, así que cambiar a otro detector es un cambio de una línea. Pasar LibreYOLO9t.pt sin directorio busca weights/LibreYOLO9t.pt relativo al directorio de trabajo y lo descarga ahí cuando falta. Consulta checkpoints y pesos para las reglas de descarga y cómo trabajar sin conexión.

save=True escribe una copia anotada bajo runs/detect/, en un directorio predict que se incrementa en cada ejecución. El Results devuelto lleva boxes, y names asocia cada índice de clase con su etiqueta. La ruta de una sola imagen devuelve un Results; un directorio, una lista de imágenes o stream=True devuelven una lista o un generador de ellos.

Entrenamiento

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 es un dataset de 8 imágenes incluido con la biblioteca. Se descarga# desde una URL en el primer uso, así que no hay que ejecutar ningún script.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() devuelve un dict simple, no un objeto.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data es un YAML de dataset. coco8.yaml viene con la biblioteca, y por eso el snippet funciona tal cual se pega; un nombre que no viene incluido se interpreta como una ruta. Los datasets se resuelven bajo ~/datasets, o bajo LIBREYOLO_DATASETS_DIR cuando esa variable está definida.

Una ejecución escribe en project/name, por defecto un directorio bajo runs/train, con weights/best.pt y weights/last.pt dentro. train() devuelve un diccionario que incluye save_dir, best_checkpoint, last_checkpoint, las losses (funciones de pérdida) por época y las métricas de validación por época. El checkpoint entrenado se carga mediante LibreYOLO() exactamente igual que el preentrenado.

No todas las familias son entrenables. Cuando una familia solo incluye inferencia, train() lanza NotImplementedError y lo indica. Conceptos básicos explica qué significa cada nivel de soporte.

Exportación

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() devuelve la ruta que escribió.path = model.export(format="torchscript")print(path) # La factoría enruta según el sufijo del archivo, así que el artefacto# se carga igual que un checkpoint y devuelve el mismo objeto Results.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript no necesita nada más allá de la instalación base. Los demás destinos tienen cada uno su propio extra, y la cobertura es por familia y por tarea, no uniforme: consulta exportación y despliegue.

Los argumentos que acepta todo formato incluyen imgsz (un int, o un par de alto y ancho), batch (por defecto 1), half, int8 con un YAML de data para la calibración, dynamic (por defecto True), simplify (por defecto True), opset, device y output_path. Cuando se omite output_path, el archivo se escribe bajo weights/ con un nombre derivado del checkpoint.

Próximos pasos

• Conceptos básicos para tareas, familias, tamaños y nombres de checkpoints.
• Checkpoints y pesos para la descarga automática, el uso sin conexión y la seguridad al cargar.
• Importar pesos existentes si ya tienes un checkpoint de un proyecto upstream.
• Todos los modelos para la familia que encaja con tu problema.
• Entrenamiento, Predicción y Exportación para los flujos de trabajo completos.