PicoDet

Installer

PicoDet ne nécessite aucun extra en plus du paquet de base.

pip install libreyolo

Prédire

Les poids sont téléchargés depuis Hugging Face à la première utilisation et mis en cache localement.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibrePICODETs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

L'objet Results renvoyé est le même pour toutes les familles, remplacer le détecteur ne demande donc de modifier qu'une ligne. conf définit le seuil de confiance et iou le seuil NMS. Consultez la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Trois tailles sont proposées, chacune avec sa propre résolution d'entrée fixe : s est la plus petite et l la plus grande. La résolution augmente avec la taille. Les checkpoints plus grands sont donc aussi plus coûteux à exécuter par image, en plus de contenir davantage de paramètres.

Entraîner

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.train(    data="my-dataset.yaml",    epochs=300, batch=16, lr0=0.01,)

# Il est utile de définir imgsz : la CLI utilise 640 par défaut, alors que# la résolution native du checkpoint s est 320.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

Les composants de la loss et l'assigneur suivent la recette amont : VFL, DFL, GIoU et SimOTA, avec une pondération par qualité de classification et des cibles VFL à IoU dynamique. L'inférence est équivalente bit à bit à la version amont sur le même checkpoint.

Comme l'indique la propre docstring de train(), les éléments suivants n'ont pas été vérifiés : la convergence sur un dataset complet, le comportement multi-GPU et toute augmentation autre que le retournement horizontal. À sa résolution native de 320, le checkpoint s n'a pas non plus dépassé de manière fiable le seuil d'exactitude de LibreYOLO sur l'échantillon de 30 images et deux classes avec lequel la bibliothèque teste les petits fine-tunings. Cette taille convient mieux à l'échelle de COCO complet.

train() accepte également un argument pretrained, mais sa valeur n'est jamais lue dans la méthode : l'entraînement reprend toujours à partir des poids avec lesquels le modèle a été construit, et pretrained=False ne réinitialise donc pas le réseau. Si vous ne définissez pas imgsz en Python, il prend la résolution native du checkpoint chargé : 320 pour s, 416 pour m et 640 pour l. La CLI envoie toujours un imgsz, qui vaut 640 par défaut ; définissez-le donc dans ce cas afin qu'il corresponde au checkpoint.

Avec les autres réglages par défaut, l'entraîneur exécute 300 époques avec SGD à lr0=0.01, une quantité de mouvement de 0.9, un weight decay de 4e-5 et un warmup d'une époque selon un planning cosinus. Le retournement horizontal est la seule augmentation appliquée.

Consultez 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, mesurés sur tout dataset dans le format utilisé pour l'entraînement.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

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

Exporter

Un artefact exporté se recharge par LibreYOLO() à partir de son suffixe de fichier. Un fichier .onnx ou .engine se comporte donc comme un checkpoint et renvoie le même objet Results. L'exécution du graphe dans un runtime brut, sans installation de LibreYOLO, est également prise en charge, mais vous devez alors écrire vous-même le prétraitement et le post-traitement.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.export(format="onnx", imgsz=320)model.export(format="tensorrt", imgsz=320, half=True)

libreyolo export model=LibrePICODETs.pt format=onnx imgsz=320libreyolo export model=LibrePICODETs.pt format=tensorrt imgsz=320 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory utilise le suffixe du fichier : un artefact exporté se charge# comme tout checkpoint et renvoie le même objet Results.model = LibreYOLO("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Licence

Citation

@misc{yu2021pppicodet,
      title={PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
      author={Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
      year={2021},
      eprint={2111.00902},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}