FCN

Un classifieur dense pixel par pixel qui remplace les couches entièrement connectées d'un détecteur par des convolutions, si bien qu'il produit une carte de classes en pleine résolution au lieu de boîtes. LibreYOLO le fournit uniquement pour la segmentation sémantique.

Tâches: semantic
Tailles: r50, r101 at 520 px
Installer: pip install libreyolo
Niveau de support: Inférence uniquement, depuis v. Prédiction, validation et export uniquement. Les fonctionnalités d'entraînement ne s'appliquent pas.
Origine: FCN par PyTorch, BSD-3-Clause. Article, source
Licences: Code BSD-3-Clause, poids BSD-3-Clause. Usage commercial

Installation

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

bash

pip install libreyolo

Prédire

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFCNr50.pt")result = model(SAMPLE_IMAGE, save=True) mask = result.semantic_maskprint(mask.data.shape)   # (H, W) ids de classeprint(mask.classes)      # ids de classe présents dans l'image, triés

CLI

libreyolo predict model=LibreFCNr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

La segmentation sémantique renvoie un id de classe par pixel, pas des boîtes, si bien que result.semantic_mask porte un tableau (H, W) sur .data et la liste des ids de classe présents dans l'image sur .classes. conf, iou et max_det sont acceptés par parité d'API mais n'ont aucun effet : le modèle attribue une classe à chaque pixel par argmax, sans seuil de confiance ni étape de NMS. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Deux profondeurs de ResNet, toutes deux avec une entrée fixe de 520 px. Le graphe d'inférence de la bibliothèque est le FCN à ResNet dilaté de torchvision, pas le réseau FCN-8s à base de VGG du papier d'origine, avec ses skip connections.

LibreYOLO n'entraîne pas FCN : train() lève NotImplementedError pour cette famille, ce que le niveau de support ci-dessus signale comme inférence seule. Les deux checkpoints publiés sont les poids torchvision entraînés sur COCO, convertis pour le chargeur de LibreYOLO.

Valider

val() renvoie metrics/mIoU et metrics/pixel_accuracy, mesurés sur n'importe quel dataset au format sur lequel vous avez entraîné.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mIoU"])print(metrics["metrics/pixel_accuracy"])

CLI

libreyolo val model=LibreFCNr50.pt data=my-dataset.yaml

Exporter

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

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. L'export liste les arguments que chaque format accepte.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreFCNr50.pt format=onnxlibreyolo export model=LibreFCNr50.pt format=tensorrt half=True

Utiliser le fichier exporté

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory s'appuie sur l'extension du fichier, donc un artefact# exporté se charge comme un checkpoint et renvoie le même Results.model = LibreYOLO("LibreFCNr50.onnx")result = model(SAMPLE_IMAGE) print(result.semantic_mask.data.shape)

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Fichier	Entrée (px)	Licence des poids
semantic
LibreFCNr50.pt	520	bsd-3-clause
LibreFCNr101.pt	520	bsd-3-clause

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

Licence

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: FCN, PyTorch
Licence du projet d'origine: BSD-3-Clause
Source du projet d'origine: github.com/pytorch/vision
Code de LibreYOLO: MIT
Poids: BSD-3-Clause, republiés sur huggingface.co/LibreYOLO
Interprétation: BSD-3-Clause is a permissive license, so this code and these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, license text and a non-endorsement clause with any copy you redistribute. LibreYOLO's inference graph is torchvision's dilated-ResNet FCN, not the original VGG-based FCN-8s skip-fusion network from the paper. The two published checkpoints are torchvision's official COCO-trained weights; their separate LibreYOLO Hugging Face mirrors carry BSD-3-Clause on an implied basis disclosed by torchvision rather than an explicit checkpoint-specific grant, and torchvision's own documentation notes that pretrained-model terms can depend on the training data, leaving that determination to the user.