EdgeCrafter

Installation

EdgeCrafter 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("LibreECs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Le suffixe -pose du nom de fichier sélectionne la tête de points# clés, aucun argument task n'est donc nécessaire ici.model = LibreYOLO("LibreECs-pose.pt")result = model(SAMPLE_IMAGE, save=True) print(result.keypoints.xy)print(result.boxes.conf)

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreECs-seg.pt")result = model(SAMPLE_IMAGE, save=True) print(result.masks.data.shape)

La tâche vient du nom de fichier, si bien qu'un checkpoint -pose ou -seg sélectionne sa propre tête et ne prend aucun argument task. Les trois renvoient l'objet Results que renvoie chaque famille, avec result.keypoints en plus pour la pose et result.masks pour la segmentation. La pose couvre une seule classe, la personne, avec les 17 points clés COCO, et ce nombre est fixé à la construction du modèle. Elle n'a pas de tête de boîtes, si bien que chaque boîte de pose est l'étendue englobante de ses propres points clés, et le troisième canal de point clé est une constante plutôt qu'un score par point.

conf et max_det filtrent la sélection des queries ; iou est accepté par parité d'API mais n'a aucun effet, car les trois têtes décodent un ensemble de queries sans étape de NMS. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

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

En amont, ECDet, ECPose et ECSeg sont publiés comme trois modèles distincts plutôt que comme un seul modèle à trois têtes. Ils partagent le backbone ECViT et l'encodeur hybride et ne diffèrent que par la tête, si bien que LibreYOLO les réunit en une seule famille et laisse le nom de fichier du checkpoint porter la tâche. Une lettre de taille désigne donc le même backbone et le même encodeur pour les trois, et la prédiction, la validation et l'export prennent les mêmes arguments quel que soit celui que vous chargez.

Entraîner

Les trois tâches s'entraînent via train(), qui lit la tâche depuis le checkpoint chargé et choisit l'entraîneur correspondant.

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,    batch=8,    lr0=5e-4,)

libreyolo train model=LibreECs.pt data=my-dataset.yaml epochs=50 imgsz=640 batch=8 lr0=5e-4

from libreyolo import LibreYOLO # Demande un dataset de points clés à une seule classe dont le data.yaml# déclare kpt_shape, et imgsz à la taille native du checkpoint.model = LibreYOLO("LibreECs-pose.pt")model.train(    data="my-pose-dataset.yaml",    epochs=50,    imgsz=640,)

from libreyolo import LibreYOLO # Demande des étiquettes polygonales, et imgsz à la taille native du modèle.model = LibreYOLO("LibreECs-seg.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,)

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

Ce qui a été vérifié pour la détection et la segmentation : la parité d'inférence avec l'amont à 1e-5, couche par couche et par taille, et le fait que la loss et un unique pas d'entraînement s'exécutent sur une entrée synthétique. Ce qui ne l'a pas été, d'après la docstring de train() elle-même : la convergence d'un fine-tuning complet, l'entraînement multi-GPU, l'étape d'arrêt de l'augmentation avec rechargement du meilleur modèle, et le remap des classes d'Objects365 vers COCO. La voie pose suit la recette publiée de DETRPose, un matcher hongrois sur des coûts de classe, de L1 sur les points clés et d'OKS, avec débruitage contrastif des points clés, et sa convergence n'a pas non plus été vérifiée de bout en bout.

Laissé à ses réglages par défaut, l'entraîneur fait 74 époques à lr0=5e-4 avec la précision mixte activée, en suivant la recette amont : AdamW, un schedule cosinus plat, une EMA à 0.9999 et des entrées normalisées ImageNet. La pose et la segmentation exigent toutes deux imgsz à la taille native du checkpoint, car leur grille d'ancres d'évaluation est construite à la construction du modèle ; une autre valeur lève une erreur avant le démarrage du run. La pose demande en plus un dataset à une seule classe dont le data.yaml déclare kpt_shape, avec un nombre de points clés correspondant à la tête.

lora=True ne s'applique qu'à la détection ; la pose et la segmentation lèvent une ValueError dessus. Sur Apple silicon, l'entraîneur garde le run sur le GPU et envoie une seule opération sur CPU, la passe arrière du grid-sample à l'intérieur de l'attention déformable, que PyTorch n'implémente pas en Metal.

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("LibreECs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs-pose.pt")metrics = model.val(data="my-pose-dataset.yaml") print(metrics["metrics/keypoints_mAP50-95"])print(metrics["metrics/keypoints_mAP50"])

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

La pose reporte les métriques OKS des points clés sous metrics/keypoints_*. La segmentation reporte les masques sous la clé metrics/mAP50-95 sans suffixe et reprend les deux vues en une seule passe, les boîtes sous (B) et les masques sous (M).

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. La pose et la segmentation exportent avec une entrée fixe de 640 par 640 plutôt qu'en formes dynamiques, et plusieurs cibles de détection sont elles aussi à canevas fixe, dont OpenVINO, Paddle, MNN, ExecuTorch et Core AI. L'export liste les arguments que chaque format accepte, ainsi que les extras que quelques-uns ajoutent.

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

libreyolo export model=LibreECs.pt format=onnx imgsz=640libreyolo export model=LibreECs-pose.pt format=onnx imgsz=640libreyolo export model=LibreECs-seg.pt format=onnx imgsz=640

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

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Licence

Citation

@article{liu2026edgecrafter,
  title={EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized Distillation},
  author={Liu, Longfei and Hou, Yongjie and Li, Yang and Wang, Qirui and Sha, Youyang and Yu, Yongjun and Wang, Yinzhi and Ru, Peizhe and Yu, Xuanlong and Shen, Xi},
  journal={arXiv},
  year={2026}
}