DEIM

Installation

Aucune des deux versions ne demande d'extra optionnel. Tout ce qu'elles importent 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("LibreDEIMn.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

from libreyolo import LibreYOLO # La version fait partie du nom de fichier, et la factory route sur# le checkpoint, donc les deux se chargent de la même façon.model = LibreYOLO("LibreDEIMv2pico.pt") # Toute source acceptée par la bibliothèque : fichier, dossier, URL,# index de webcam, flux RTSP ou liste .streamsfor result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

L'objet Results renvoyé est celui que renvoie chaque famille, si bien que remplacer le détecteur par un autre tient en une seule ligne. conf et max_det filtrent un décodage top-k sur les queries et les classes ; il n'y a pas d'étape de NMS à régler, et iou est accepté mais inutilisé. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

La version 1 propose cinq tailles, toutes à la même taille d'entrée. La version 2 conserve ces cinq noms et en ajoute trois plus petits, atto, femto et pico, dont les deux premiers sont natifs à une taille d'entrée plus basse que les autres. Cinq codes de taille existent donc dans les deux versions et désignent des modèles différents ; la version est inscrite dans le nom de fichier du checkpoint.

La version 1 conserve l'architecture de D-FINE et remplace son objectif de classification par la fonction de perte sensible à l'appariabilité issue de la recette dense un-à-un, si bien que les deux familles partagent presque toutes les clés du state dict et se distinguent par les métadonnées du checkpoint. La version 2 conserve ce contrat d'entraînement et mélange les backbones : HGNetv2 en dessous de s, et un vision transformer DINOv3 avec un adaptateur d'ajustement spatial à partir de s. C'est ce backbone qui ajoute une seconde licence à ces quatre checkpoints, alors lisez la licence avant d'en mettre un en production.

Entraîner

L'entraînement démarre depuis un checkpoint publié. pretrained n'atteint jamais l'entraîneur : la version 1 avertit que la clé est inconnue et l'ignore, la version 2 la supprime. Aucune des deux ne vous donne un modèle initialisé aléatoirement.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDEIMn.pt") # coco128.yaml télécharge un échantillon de 128 images au premier# usage. Pointez `data` vers votre propre YAML de dataset pour un# vrai run.model.train(data="coco128.yaml", epochs=50, batch=8, lr0=1e-4)

libreyolo train model=LibreDEIMn.pt data=coco128.yaml \  epochs=50 batch=8 lr0=1e-4

from libreyolo import LibreYOLO # Laissés non renseignés, epochs, batch, imgsz et lr0 viennent de la# recette publiée pour la taille chargée.model = LibreYOLO("LibreDEIMv2pico.pt")model.train(data="coco128.yaml", epochs=50)

# Demande l'extra lora : pip install "libreyolo[lora]"from libreyolo import LibreYOLO model = LibreYOLO("LibreDEIMn.pt")model.train(data="coco128.yaml", epochs=50, lora=True)

libreyolo train model=LibreDEIMn.pt data=coco128.yaml \  epochs=50 device=0,1

Passez lr0 vous-même sur la version 1. Sa signature Python train() a pour défaut 4e-4, le taux de la recette COCO publiée, alors que la configuration d'entraînement de la famille porte 1e-4 comme défaut de fine-tuning, et c'est cette valeur plus basse que la CLI résout quand l'argument est absent. La configuration consigne la mesure qui la justifie : aux tailles de batch qu'un fine-tuning utilise réellement, sur de petits datasets, le taux COCO dégradait le transfert de façon mesurable.

La version 2 résout ces défauts elle-même. Laisser epochs, batch, imgsz et lr0 non renseignés lui fait lire chacun d'eux dans la recette publiée pour la taille chargée, si bien que les petites tailles s'entraînent à leur propre résolution d'entrée sans qu'on le leur dise, et une valeur que vous passez l'emporte sur la recette. imgsz est l'argument qu'elle contraint : il doit être un multiple positif de 32, sinon la version 2 lève une erreur avant le démarrage du run.

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

Valider

val() renvoie un dictionnaire de clés metrics/ couvrant la précision, le rappel, la mAP 50 et la mAP 50-95, mesurées sur n'importe quel dataset au format sur lequel vous avez entraîné.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDEIMn.pt") # val() renvoie un simple dict, pas un objetmetrics = model.val(data="coco128.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreDEIMn.pt data=coco128.yaml

# coco-val-only.yaml récupère les 5000 images de val2017 et ignore le# set d'entraînement. Il embarque un script de téléchargement, il faut# donc une autorisation explicite si le dataset n'est pas déjà local.libreyolo val model=LibreDEIMn.pt data=coco-val-only.yaml \  allow_download_scripts=True

Les lignes de la table de benchmark ci-dessus proviennent du harnais de benchmark LibreYOLO ; la note sous cette table indique quel dataset les a produites et renvoie vers les enregistrements de run.

Exporter

La matrice couvre les deux versions sur une seule page : là où elles divergent sur un format, la cellule affiche la plus faible des deux, si bien que rien n'est survendu ici, quelle que soit la version que vous chargez.

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.

# Demande l'extra onnx : pip install "libreyolo[onnx]"from libreyolo import LibreYOLO model = LibreYOLO("LibreDEIMn.pt")path = model.export(format="onnx")print(path)

libreyolo export model=LibreDEIMn.pt format=onnx

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 Results.model = LibreYOLO("LibreDEIMn.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Licence

Citation

@misc{huang2024deim,
      title={DEIM: DETR with Improved Matching for Fast Convergence},
      author={Shihua, Huang and Zhichao, Lu and Xiaodong, Cun and Yongjun, Yu and Xiao, Zhou and Xi, Shen},
      booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
      year={2025},
}

DEIMv2 est un article distinct et possède son propre bloc de citation sur github.com/Intellindust-AI-Lab/DEIMv2 ; citez celui-là si vous avez utilisé un checkpoint de version 2.