RF-DETR

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # Toute source acceptée par la bibliothèque : fichier, dossier, URL,# index de webcam, flux RTSP ou liste .streamsfor result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=512, batch=8, lr0=1e-4)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 imgsz=512 batch=8 lr0=1e-4

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

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=-1

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # val() renvoie un simple dict, pas un objetmetrics = model.val(data="my-dataset.yaml", imgsz=512) print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreRFDETRs.pt data=my-dataset.yaml imgsz=512

# Le YAML COCO inclus contient un script de téléchargement intégré ; une# autorisation explicite est requise sauf si le dataset est déjà local.libreyolo val model=LibreRFDETRn.pt data=coco.yaml imgsz=384 \  allow_download_scripts=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True) # Arguments acceptés pour tous les formats :##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai".#             "engine" est un alias de tensorrt, "litert" de tflite.#   imgsz     int ou (hauteur, largeur). Utilise par défaut la résolution#             native du checkpoint.#   batch     int, 1 par défaut.#   half      bool, export en FP16. False par défaut.#   int8      bool, export en INT8. False par défaut. Nécessite `data`.#   data      chemin d'un YAML de dataset pour calibrer int8.#   fraction  float, part du dataset de calibration. 1.0 par défaut.#   dynamic   bool, axes dynamiques. True par défaut.#   simplify  bool, simplification du graphe ONNX. True par défaut.#   opset     int, opset ONNX. Choisi par famille s'il n'est pas fourni.#   device    str, appareil de traçage. Utilise celui du modèle par défaut.#   output_path  str, nom dérivé du checkpoint par défaut.#   verbose   bool, False par défaut.#   allow_download_scripts  bool, False par défaut. Autorise le code#             Python d'un YAML de dataset qui doit être téléchargé.## Quelques formats acceptent leurs propres arguments, comme une plateforme# cible RKNN. Ils sont documentés sur la page de chaque format.

libreyolo export model=LibreRFDETRs.pt format=onnx imgsz=512libreyolo export model=LibreRFDETRs.pt format=tensorrt imgsz=512 half=True

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

import numpy as npimport onnxruntime as ort # L'exécution directe du graphe impose votre propre pré/post-traitement.# Inspectez la signature avant de connecter quoi que ce soit.session = ort.InferenceSession("LibreRFDETRs.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 512, 512), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)