FAQ

Par quel modèle commencer\u00a0?

YOLOv9 pour un détecteur CNN et RF-DETR pour un transformer. Tous deux appartiennent au niveau flagship, ce qui signifie que les fonctionnalités sont conçues et validées sur GPU avec eux avant tout autre modèle. Consultez YOLOv9, RF-DETR ou tous les modèles.

Un GPU est-il nécessaire\u00a0?

Non. Chaque modèle s'exécute sur CPU et tout le démarrage rapide est conçu pour y fonctionner. Un GPU modifie la durée de l'entraînement et de l'inférence vidéo, pas leur fonctionnement.

Comment LibreYOLO choisit-il un appareil\u00a0?

La valeur par défaut est device="auto", qui utilise CUDA lorsque PyTorch l'indique disponible, puis Metal Performance Shaders s'il est disponible, et sinon CPU. Pour fixer le choix, transmettez device au modèle ou à predict, train, val et export. Il accepte "cpu", "cuda", "cuda:0", "mps", un entier seul comme 0 ou une chaîne de chiffres. Les deux dernières formes deviennent cuda:<n>.

libreyolo checks affiche le build Torch, ses versions CUDA et cuDNN et chaque GPU visible. Si cette commande n'affiche aucun CUDA, la wheel PyTorch est un build CPU. La page Installation explique comment la remplacer.

Où sont enregistrés les poids téléchargés\u00a0?

Dans weights/ par rapport au répertoire de travail. Une référence de modèle sans répertoire y est résolue et téléchargée à la première utilisation. Une référence qui contient un répertoire est utilisée exactement telle quelle et n'est jamais récupérée. Consultez les checkpoints et poids.

Puis-je travailler sans accès réseau\u00a0?

Oui. Récupérez les checkpoints une fois sur une machine connectée, copiez le répertoire weights/ et plus aucun accès réseau n'aura lieu. Un chemin partagé en lecture seule fonctionne aussi, puisqu'une référence contenant un répertoire est interprétée littéralement. Les datasets sont résolus sous ~/datasets ou sous LIBREYOLO_DATASETS_DIR.

Puis-je utiliser LibreYOLO à des fins commerciales\u00a0?

Le code est sous licence MIT. Les poids pré-entraînés sont une question distincte\u00a0: ils peuvent hériter des conditions du projet ou du dataset dont ils proviennent, et ces conditions ne sont pas uniformes, même au sein d'une famille. La licence du dépôt Hugging Face précis fait autorité, et chaque page de modèle contient une section Licence qui la reproduit. Lorsque les poids sont restreints, LibreYOLO affiche la restriction avant le début du téléchargement.

Puis-je charger un checkpoint d'un autre projet\u00a0?

Généralement, en transmettant son chemin à LibreYOLO(). Les structures upstream reconnues sont converties lors du chargement en conservant le nombre et les noms de classes, puis un checkpoint LibreYOLO est écrit à côté de la source. La page Importer des poids existants décrit les formats reconnus et ceux qui nécessitent un script de conversion.

Pourquoi train lève-t-il NotImplementedError\u00a0?

Parce que cette famille est réservée à l'inférence et l'exception en donne la raison. La prédiction, la validation et, lorsque cette fonctionnalité est prise en charge, l'export fonctionnent tous. LibreYOLO ne possède simplement aucune boucle d'entraînement pour cette architecture. Le niveau de prise en charge dans l'en-tête d'une page de modèle vous l'indique avant l'essai. Consultez les concepts fondamentaux.

Que renvoie val\u00a0?

Un dictionnaire simple, et non un objet. Les clés de détection comprennent metrics/precision, metrics/recall, metrics/mAP50 et metrics/mAP50-95. Les autres tâches renvoient les clés pertinentes, comme metrics/accuracy_top1 pour la classification ou metrics/PQ, metrics/SQ et metrics/RQ pour la segmentation panoptique.

Comment exécuter une prédiction sur un dossier, une vidéo ou une webcam\u00a0?

Transmettez l'élément comme source. Un chemin de fichier représente une image, un répertoire toutes les images qu'il contient, un chemin vidéo une vidéo, un entier un indice de webcam, et une URL RTSP, RTMP, TCP, UDP ou HLS un flux en direct. Un fichier .streams énumère plusieurs sources. Les sources en direct exigent stream=True, qui produit un objet Results par image au lieu de construire une liste. Ce paramètre est aussi utile pour les longues vidéos et les grands répertoires. Seules les URL de pages YouTube nécessitent un extra, libreyolo[stream].

Comment ne conserver que certaines classes\u00a0?

Transmettez à predict les indices de classes voulus dans classes, par exemple classes=[0, 2]. conf définit le seuil de confiance, 0.25 par défaut, et max_det limite les détections par image, 300 par défaut.

Le CLI utilise-t-il des options ou des paires clé=valeur\u00a0?

Une clé et une valeur reliées par un signe égal, pour chaque commande\u00a0:

libreyolo predict model=yolo9-t source=my-image.jpg save=True
libreyolo train model=yolo9-t data=coco8.yaml epochs=50 imgsz=640

model accepte un chemin ou un nom court de la forme family-size, avec un suffixe de tâche facultatif. libreyolo models énumère toutes les valeurs valides. Les commandes de diagnostic et d'inventaire acceptent aussi --json, qui affiche les mêmes données comme objet lisible par une machine sur stdout.

Tous les modèles s'exportent-ils vers tous les formats\u00a0?

Non. La couverture dépend de la famille et de la tâche, et chaque format possède son propre extra à installer. Chaque page de modèle contient la matrice d'export de sa famille. La section Export présente les formats.

Quelle différence entre segment, semantic et panoptic\u00a0?

Ce sont trois tâches distinctes. segment produit un masque par objet détecté. semantic attribue une classe à chaque pixel sans distinguer les instances. panoptic attribue exactement une étiquette à chaque pixel et réunit les éléments dénombrables avec les régions amorphes. Elles possèdent des vérités terrain, champs de résultats et métriques différents. Une famille prend en charge celles qui figurent dans sa liste de tâches.

Comment entraîner sur mes propres classes\u00a0?

Écrivez un YAML de dataset avec train, val et names. Les étiquettes sont placées à côté des images dans une arborescence labels/ parallèle, un fichier .txt par image, avec des coordonnées normalisées. nc est facultatif et doit correspondre à names s'il est présent. Exécutez d'abord libreyolo doctor <data.yaml>\u00a0: il recherche les problèmes du dataset et se termine avec un code différent de zéro s'il trouve des erreurs, ce qui permet de l'utiliser comme contrôle CI.

Pourquoi le chargement affiche-t-il un avertissement de métadonnées\u00a0?

Parce que le checkpoint ne contient pas toutes les métadonnées v1.0. Le chargement continue par un chemin de compatibilité et l'avertissement nomme exactement les clés manquantes. Exécutez libreyolo metadata path=<file> pour afficher le contenu et consultez les checkpoints et poids pour connaître les exigences du schéma.

Un import ne fonctionne plus après une mise à niveau. Qu'est-ce qui a changé\u00a0?

Deux classes ont été renommées par cohérence\u00a0: LibreYOLORTDETR est devenue LibreRTDETR et LibreYOLORFDETR est devenue LibreRFDETR. Les anciens noms se résolvent toujours et émettent un DeprecationWarning qui indique le nouveau. Le code existant continue ainsi de fonctionner pendant sa mise à jour.