YOLOv1

YOLOv1 est le détecteur original de 2016 qui a donné son nom à la famille YOLO : un seul réseau convolutionnel doté d'une tête entièrement connectée prédit toutes les bounding boxes et tous les scores de classes en une passe, sans ancres. LibreYOLO le conserve comme pièce historique figée, réservée à l'inférence.

Tâches: detection
Tailles: t, b at 448 px
Installer: pip install libreyolo
Niveau de support: Musée, depuis v. Pièce figée. Corrections de bugs uniquement.
Origine: YOLOv1 par Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Article, source
Licences: Code MIT, poids Public domain (Darknet "YOLO LICENSE"). Usage commercial

Installer

YOLOv1 ne nécessite aucun extra au-delà du package de base.

bash

pip install libreyolo

Prédire

Cette famille est réservée à l'inférence\u00a0: train() lève NotImplementedError, cette page ne comporte donc aucune section Entraîner. La prédiction, la validation et l'export sont tous pris en charge. 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("LibreYOLO1b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO1b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

L'objet Results renvoyé est celui de toutes les familles, le remplacement du détecteur ne demande donc de modifier qu'une ligne. Deux aspects sont propres à cette famille. Le checkpoint publié est entraîné sur Pascal VOC (2007+2012), et non sur COCO. box.cls indexe donc les 20 catégories VOC (aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor) plutôt que les 80 catégories COCO. De plus, la tête de détection entièrement connectée accepte une seule image à la fois. Une liste de sources est ainsi traitée en boucle et non comme un véritable batch. Consultez la prédiction pour les sources, le streaming et la gestion des résultats.

Valider

val() renvoie un dictionnaire de clés metrics/ couvrant la précision, le rappel, la mAP 50 et la mAP 50-95, mesurés sur un dataset utilisant le même espace d'étiquettes de type VOC que celui sur lequel le checkpoint a été entraîné.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO1b.pt data=my-dataset.yaml

Exporter

Tâche	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX : pris en charge	Detection to TorchScript : pris en charge	Detection to ExecuTorch : pris en charge	Detection to TensorRT : pris en charge	Detection to OpenVINO : pris en charge	Detection to Paddle : non pris en charge	Detection to MNN : non pris en charge	Detection to RKNN : non pris en charge	Detection to ncnn : pris en charge	Detection to TFLite : non pris en charge	Detection to CoreML : non pris en charge	Detection to Core AI : 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. Vous pouvez également exécuter le graphe dans un runtime nu, sans installer LibreYOLO, mais vous devez alors écrire vous-même le prétraitement et le post-traitement.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO1b.pt format=onnxlibreyolo export model=LibreYOLO1b.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("LibreYOLO1b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Fichier	Entrée (px)	Licence des poids
Detection
LibreYOLO1b.pt	448	other

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: YOLOv1, Joseph Redmon
Licence du projet d'origine: Public domain (Darknet "YOLO LICENSE")
Source du projet d'origine: github.com/pjreddie/darknet
Code de LibreYOLO: MIT
Poids: Public domain (Darknet "YOLO LICENSE"), republiés sur huggingface.co/LibreYOLO
Interprétation: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT. One thing to know before deploying this checkpoint: it is trained on Pascal VOC 2007+2012, not COCO, so it detects and names the 20 VOC categories rather than the 80 COCO ones.