ConvNeXt V2

ConvNeXt V2 is an image classifier with global response normalization.

Tâches: classification
Installer: pip install libreyolo
Niveau de support: Pris en charge, depuis v1.6.0. Modèles entraînables complémentaires : maintenus au vert dans la CI, avec des fonctionnalités ajoutées selon les occasions.
Origine: ConvNeXt V2 par Meta AI, MIT code; CC-BY-NC-4.0 weights. Article, source
Licences: Code MIT, poids MIT code; CC-BY-NC-4.0 weights. Usage commercial

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.probs)

The eight sizes run classification at 224 pixels. Official pretrained weights are CC-BY-NC-4.0.

Train

Training rebuilds the classification head for an ImageFolder dataset. cls_pw accepts values from 0 to 1 and defaults to 0. class_weights=True selects the alternative sample-normalized weighting; it cannot combine with cls_pw>0. Weighting settings must match when resuming.

Dataset setup describes the required training data.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")# "smoke10" auto-downloads; for your own data, pass a folder with train/ and val/ class subfolders.model.train(data="smoke10", epochs=1, device="cpu", workers=0)

Validate

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")metrics = model.val(data="smoke10", workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Export

Tâche	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Classification	Classification to ONNX : pris en charge	Classification to TorchScript : pris en charge	Classification to ExecuTorch : pris en charge	Classification to TensorRT : pris en charge	Classification to OpenVINO : pris en charge	Classification to Paddle : non pris en charge	Classification to MNN : non pris en charge	Classification to RKNN : non pris en charge	Classification to ncnn : pris en charge	Classification to TFLite : non pris en charge	Classification to CoreML : non pris en charge	Classification to Core AI : non pris en charge

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

Fichier	Licence des poids
Classification
LibreConvNeXtV2atto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2femto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2pico-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2n-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2t-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2b-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2l-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2h-cls.pt	cc-by-nc-4.0

Tous les fichiers ci-dessus sont actuellement disponibles dans l<link>organisation LibreYOLO</link> et sont téléchargés à la première utilisation.

Licensing

Vérifiez la licence dans le dépôt Hugging Face des poids précis que vous téléchargez. Chaque checkpoint de l<link>organisation LibreYOLO</link> en possède une, et elles ne sont pas toujours identiques au sein dune même famille. Ce dépôt fait autorité ; le résumé ci-dessous décrit les conditions applicables lors de la dernière vérification de cette page.

Ceci décrit les licences concernées et ne constitue pas un conseil juridique. Si la réponse a une importance commerciale, lisez vous-même les licences et consultez votre propre avocat.

Travail d'origine: ConvNeXt V2, Meta AI
Licence du projet d'origine: MIT code; CC-BY-NC-4.0 weights
Source du projet d'origine: github.com/facebookresearch/ConvNeXt-V2
Code de LibreYOLO: MIT
Poids: MIT code; CC-BY-NC-4.0 weights, republiés sur huggingface.co/LibreYOLO
Interprétation: The source code is MIT. Official pretrained weights are CC-BY-NC-4.0 and exclude commercial use.

Citation

@article{Woo2023ConvNeXtV2,
  title={ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders},
  author={Sanghyun Woo, Shoubhik Debnath, Ronghang Hu, Xinlei Chen, Zhuang Liu, In So Kweon and Saining Xie},
  year={2023},
  journal={arXiv preprint arXiv:2301.00808},
}

Copié depuis le bloc de citation des auteurs sur raw.githubusercontent.com/facebookresearch/ConvNeXt-V2/main/README.md.