VGG

VGG est un classificateur d'images convolutionnel construit à partir d'empilements uniformes de petites convolutions 3x3 plutôt que de filtres plus grands. LibreYOLO fournit les tailles à 16 et 19 couches, sans et avec normalisation par batch, pour la classification d'images.

Tâches: classify
Tailles: 16, 19, 16bn, 19bn at 224 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: VGG par Visual Geometry Group, University of Oxford, BSD-3-Clause. Article, source
Licences: Code BSD-3-Clause, poids BSD-3-Clause. Usage commercial

Installer

VGG ne nécessite aucun extra facultatif. Tous ses imports sont inclus dans l'installation de base.

bash

pip install libreyolo

Prédire

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreVGG16-cls.pt")result = model(SAMPLE_IMAGE, save=True) probs = result.probsprint(probs.top1, probs.top1conf)print(probs.top5, probs.top5conf)

CLI

libreyolo predict model=LibreVGG16-cls.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Un classificateur renvoie result.probs au lieu de result.boxes\u00a0: top1 et top5 donnent les indices de classes, tandis que top1conf et top5conf donnent leurs confiances. La prédiction s'exécute avec une entrée fixe de 224\u00a0px et lève une erreur si vous transmettez une autre valeur à imgsz. Consultez la prédiction pour les sources, le streaming et la gestion des résultats.

Variantes

Quatre tailles\u00a0: 16 ou 19 couches convolutionnelles, chacune déclinée sans et avec normalisation par batch. Les poids fournis proviennent de l'entraînement ImageNet ultérieur de torchvision à partir de zéro, et non de conversions de la version Caffe originale publiée par le groupe d'Oxford en 2014. LibreYOLO fournit cette famille uniquement pour l'inférence\u00a0: la prédiction, la validation top-1/top-5 de type ImageNet et l'export sont pris en charge, mais le fine-tuning n'est pas implémenté.

Valider

val() s'exécute sur un sous-ensemble de type ImageFolder (un répertoire avec des sous-dossiers train/ et val/, un dossier par classe) et renvoie l'exactitude top-1 et top-5.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreVGG16-cls.pt") # data est la racine d'un répertoire avec des sous-ensembles de dossiers par classe# train/ et val/ (structure ImageFolder), et non le YAML d'un dataset.metrics = model.val(data="imagenet-1k/") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

CLI

libreyolo val model=LibreVGG16-cls.pt data=imagenet-1k/

Exporter

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

Un artefact exporté se recharge dans LibreYOLO() grâce au suffixe de son fichier. Un fichier .onnx ou .engine se comporte donc comme un checkpoint et renvoie les mêmes Results. La page Export énumère les arguments acceptés par chaque format ainsi que les extras ajoutés par certains.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreVGG16-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreVGG16-cls.pt format=onnxlibreyolo export model=LibreVGG16-cls.pt format=tensorrt half=True

Utiliser le fichier exporté

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La fabrique détermine le chemin selon le suffixe du fichier ; un artefact exporté se charge# donc comme tout checkpoint et renvoie le même objet Results.model = LibreYOLO("LibreVGG16-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Fichier	Entrée (px)	Licence des poids
classify
LibreVGG16-cls.pt	224	bsd-3-clause
LibreVGG19bn-cls.pt	224	bsd-3-clause
LibreVGG19-cls.pt	224	bsd-3-clause
LibreVGG16bn-cls.pt	224	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: VGG, Visual Geometry Group, University of Oxford
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 these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, the list of conditions and the disclaimer with any copy you redistribute, and it forbids using the contributors' names to endorse a derived product without permission; it carries no explicit patent grant. LibreYOLO's code and the four shipped checkpoints (16, 19, 16-BN, 19-BN) are both derived from torchvision, not from the Oxford group's original 2014 Caffe release, which is a separate model under Creative Commons Attribution and is not what LibreYOLO redistributes. Torchvision itself notes that BSD-3-Clause redistribution of a pretrained checkpoint is an implied basis rather than a grant written for that specific checkpoint, and that pretrained-model terms can depend on the data a model was trained on; LibreYOLO repeats that caveat on each hosted weights repository.