DeiT

Installation

DeiT ne demande aucun extra au-delà du paquet de base.

pip install libreyolo

Prédire

Cette famille est en inférence seule : train() lève NotImplementedError, si bien que cette page n'a pas de section Entraîner. La prédiction, la validation et l'export sont tous pris en charge. Les poids sont téléchargés depuis Hugging Face au premier usage, puis mis en cache localement. Le suffixe -cls dans le nom de fichier est obligatoire et sélectionne la tâche de classification.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDeiTb-cls.pt")result = model(SAMPLE_IMAGE) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreDeiTb-cls.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

L'objet Results renvoyé porte un tenseur probs au lieu de boxes ; top1 et top5 indexent les 1 000 classes d'ImageNet-1k et top1conf est le score softmax de la prédiction principale. Chaque taille a une résolution d'entrée fixe qui vient de son positional embedding : le prétraitement redimensionne et recadre au centre à cette résolution, et passer un imgsz différent lève une erreur au lieu de rééchantillonner en silence. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Valider

val() renvoie un dictionnaire avec l'exactitude top-1 et top-5, mesurée sur un dataset organisé selon la structure de dossiers classique train/<class>/ et val/<class>/.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeiTb-cls.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreDeiTb-cls.pt data=my-dataset.yaml

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. Exécuter le graphe dans un runtime nu, sans LibreYOLO installé, est également pris en charge, mais le prétraitement et le post-traitement sont alors à votre charge.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeiTb-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreDeiTb-cls.pt format=onnxlibreyolo export model=LibreDeiTb-cls.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory s'appuie sur l'extension du fichier, donc un artefact# exporté se charge comme n'importe quel checkpoint et renvoie le# même objet Results.model = LibreYOLO("LibreDeiTb-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Licence

Citation

@InProceedings{pmlr-v139-touvron21a,
  title =     {Training data-efficient image transformers & distillation through attention},
  author =    {Touvron, Hugo and Cord, Matthieu and Douze, Matthijs and Massa, Francisco and Sablayrolles, Alexandre and Jegou, Herve},
  booktitle = {International Conference on Machine Learning},
  pages =     {10347--10357},
  year =      {2021},
  volume =    {139},
  month =     {July}
}