D-FINE

Installation

D-FINE ne demande aucun extra optionnel. Tout ce qu'il importe fait partie de l'installation de base.

pip install libreyolo

Le fine-tuning par adaptateurs avec lora=True fait exception, et demande l'extra lora.

pip install "libreyolo[lora]"

Prédire

Les poids sont téléchargés depuis Hugging Face au premier usage, puis mis en cache localement.

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

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Le suffixe -seg du nom de fichier sélectionne la tête de masques,# aucun argument task n'est donc nécessaire ici.model = LibreYOLO("LibreDFINEn-seg.pt")result = model(SAMPLE_IMAGE, save=True) print(result.masks.data.shape)

L'objet Results renvoyé est celui que renvoie chaque famille, si bien que remplacer le détecteur par un autre tient en une seule ligne. Un nom de fichier en -seg résout de lui-même vers la tâche de segmentation, et result.masks porte alors les masques d'instances à côté des boîtes. conf et max_det filtrent la sélection des queries ; iou est accepté par parité d'API mais n'a aucun effet, car le décodeur est un set predictor sans étape de NMS. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Cinq tailles. Elles tournent toutes à la même résolution d'entrée, la table les sépare donc par nombre de paramètres et par exactitude.

La segmentation réutilise le backbone, l'encodeur et le décodeur de détection et y ajoute une tête de masques, si bien qu'un checkpoint -seg prend les mêmes arguments que son homologue de détection. La famille RT-DETRv4 de LibreYOLO est écrite comme une sous-classe du wrapper D-FINE : elle hérite de cette lignée de décodeur, puis restreint sa liste de tâches à la seule détection, car elle ne porte pas de tête de masques.

Entraîner

L'entraînement démarre depuis un checkpoint publié, pour les deux tâches.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDFINEn.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=640, batch=8, lr0=2e-4)

libreyolo train model=LibreDFINEn.pt data=my-dataset.yaml \  epochs=50 imgsz=640 batch=8 lr0=2e-4

# Reprend depuis les poids de segmentation publiés, tête de masques incluse.libreyolo train model=LibreDFINEn-seg.pt data=my-dataset.yaml \  task=segment epochs=50 imgsz=640

# Les poids de détection n'ont pas de tête de masques, c'est donc un# transfert explicite. La tête démarre non entraînée et n'est utile# qu'une fois entraînée. C'est task=segment qui autorise le transfert.libreyolo train model=LibreDFINEn.pt data=my-dataset.yaml \  task=segment epochs=50 imgsz=640

from libreyolo import LibreYOLO model = LibreYOLO("LibreDFINEn.pt")model.train(data="my-dataset.yaml", epochs=50, lora=True)

libreyolo train model=LibreDFINEn.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=16

Laissé à ses réglages par défaut, l'entraîneur fait 132 époques à lr0=2e-4 avec amp=False, un batch de 16 et un early stopping après 50 époques sans amélioration. Les poids de détection sont un point de départ légitime pour un entraînement de segmentation, mais seulement comme transfert explicite, puisque la tête de masques démarre non entraînée et renverrait sinon des masques sans signification. C'est le passage de task=segment à la CLI qui l'autorise. La voie Python est plus étroite : LibreDFINE doit être construit directement avec allow_detect_to_segment_transfer=True, car la factory LibreYOLO() n'accepte pas cet argument, et la construction directe ne télécharge rien, si bien que le fichier de poids doit déjà être présent sur le disque.

lora=True s'applique à la détection. L'entraînement en segmentation le refuse et renvoie plutôt vers freeze='backbone', car la tête de masques n'a pas été testée avec des adaptateurs. Sur Apple silicon, l'entraîneur bascule tout le run sur CPU : la passe arrière du matmul par bins de l'Integral déclenche un échec de compilation Metal. L'inférence sur MPS n'est pas concernée.

Voir l'entraînement pour les datasets, l'augmentation, le multi-GPU et les loggers.

Valider

val() renvoie un dictionnaire indexé par nom de métrique, et affiche les résultats par classe tant que verbose reste actif.

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreDFINEn-seg.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95(M)"])   # masquesprint(metrics["metrics/mAP50-95(B)"])   # boîtes

Sur un checkpoint -seg, la clé metrics/mAP50-95 sans suffixe porte le score des masques, et le même run reporte aussi les boîtes sous (B) et les masques sous (M), si bien que les deux sont disponibles en une seule passe.

Exporter

Un artefact exporté se recharge via LibreYOLO() selon son extension de fichier, si bien qu'un fichier .onnx ou .engine se comporte comme un checkpoint et renvoie le même Results. Les voies OpenVINO, Paddle, MNN et Core AI exportent à taille de canevas fixe plutôt qu'en formes dynamiques. L'export liste les arguments que chaque format accepte, ainsi que les extras que quelques-uns ajoutent.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDFINEn.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreDFINEn.pt format=onnx imgsz=640libreyolo export model=LibreDFINEn.pt format=tensorrt imgsz=640 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory route selon l'extension du fichier, donc un artefact exporté# se charge comme un checkpoint et renvoie le même objet Results.model = LibreYOLO("LibreDFINEn.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Licence

Citation

@misc{peng2024dfine,
      title={D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement},
      author={Yansong Peng and Hebei Li and Peixi Wu and Yueyi Zhang and Xiaoyan Sun and Feng Wu},
      year={2024},
      eprint={2410.13842},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}