LFM2-VL

Installer

LFM2-VL nécessite l'extra vlm, qui installe transformers pour le backbone de template de chat.

pip install "libreyolo[vlm]"

Prédire

LibreLFM2VL est une classe Python, pas un checkpoint .pt : elle n'est pas chargée par la factory LibreYOLO() et la CLI libreyolo ne la résout pas. La factory LibreVLM(...) (from libreyolo import LibreVLM) permet aussi d'accéder à cette famille par un alias, par exemple LibreVLM("lfm2-vl-450m") ; elle construit la classe utilisée ci-dessous. Les poids proviennent du propre dépôt Hugging Face de Liquid AI, et non d'un miroir LibreYOLO ; le premier appel les télécharge et les met en cache localement, après avoir journalisé une fois un avis de licence.

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Vocabulaire ouvert : tous les mots fonctionnent, sans tête de classe fixe.# S'applique aux appels predict()/track() suivants jusqu'à redéfinition.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # L'accès direct sous l'interface de détection : questions libres,# comptage ou toute requête non couverte par le wrapper de boîtes.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes contient les détections analysées comme pour toute autre famille. La confiance est une valeur de substitution : LFM2-VL n'émet aucun score par boîte, chaque détection reçoit donc la même confiance constante, et conf= ne fait qu'éliminer les lignes sous cette constante sans les classer. iou élimine les boîtes presque identiques d'une même classe au-dessus du chevauchement donné, un effet secondaire du décodage glouton qui répète un objet ; il ne s'agit pas d'une passe NMS par classe. Si vous omettez set_classes(), le vocabulaire prend par défaut les 80 noms de COCO. Consultez la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Deux tailles sont proposées, 450m et 1.6b, toutes deux issues de la version LFM2.5-VL de Liquid AI et conçues pour un déploiement sur l'appareil. Le banc d'essai de LibreYOLO n'a pas mesuré cette famille, aucune valeur d'exactitude publiée ne permet donc de les comparer ; choisissez la taille en fonction de votre propre budget de calcul.

LibreYOLO expose cette famille uniquement pour la prédiction. train(), val() et export() lèvent tous NotImplementedError : effectuez le fine-tuning en amont et chargez plutôt le résultat, la validation du dataset est ignorée parce qu'une confiance de substitution rendrait la mAP COCO trompeuse, et l'export dépasse le périmètre d'un modèle génératif sans dictionnaire d'état à tracer.

Licence

Citation

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}