ResNet

Installer

ResNet ne nécessite aucun extra facultatif. Tous ses imports figurent dans l'installation 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("LibreResNet50-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreResNet50-cls.pt source=cat.jpg save=True

L'objet Results renvoyé est le même pour toutes les familles, remplacer le modèle ne demande donc de modifier qu'une ligne. Un classifieur ne comporte ni boîtes ni masques : result.probs contient la prédiction de l'image entière, avec top1, top5, top1conf et top5conf. conf, iou et max_det sont acceptés pour la parité de l'API, mais n'ont aucun effet puisqu'un seul vecteur de probabilités ne contient rien à seuiller ou à supprimer. Consultez la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Quatre profondeurs sont entraînées et évaluées de la même manière. Le choix de l'une d'elles constitue donc un compromis direct entre nombre de paramètres et exactitude. La tâche est fixe : chaque taille couvre uniquement la classification. Le nom du fichier de poids se termine par -cls.pt pour chaque taille, et la factory utilise ce suffixe pour sélectionner cette famille ; aucun argument task= n'est nécessaire.

Entraîner

Le fine-tuning part du backbone ImageNet publié et reconstruit automatiquement la dernière couche de classification selon le nombre de classes du dataset cible.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Avec les réglages par défaut, l'entraîneur exécute 100 époques avec lr0=1e-3, AdamW, un batch de 64 et un early stopping après 50 époques sans amélioration. data accepte la racine d'un dataset (train/ et val/, un dossier par classe), un nom court connu comme imagenette160 ou l'URL d'un fichier .zip. lora=True n'est pas pris en charge ici ; son utilisation lève une erreur, car LoRA dans LibreYOLO cible les composants transformer dotés de couches nn.Linear, absentes de ResNet.

Consultez l'entraînement pour les datasets, l'augmentation, le multi-GPU et les loggers.

Valider

val() renvoie un dictionnaire de clés metrics/. Pour la classification, il s'agit de l'exactitude top-1 et top-5 sur la partition de validation.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreResNet50-cls.pt data=imagenette160

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. La page Export répertorie les arguments acceptés par chaque format et les options supplémentaires de certains d'entre eux.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreResNet50-cls.pt format=onnxlibreyolo export model=LibreResNet50-cls.pt format=tensorrt 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("LibreResNet50-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Licence

Citation

@article{He2015,
	author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
	title = {Deep Residual Learning for Image Recognition},
	journal = {arXiv preprint arXiv:1512.03385},
	year = {2015}
}