YOLOX

Installer

YOLOX ne nécessite aucun extra au-delà du package 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("LibreYOLOXs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLOXs.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. conf définit le seuil de confiance et iou le seuil de NMS appliqué aux trois échelles de prédiction découplées. Consultez la prédiction pour les sources, le streaming et la gestion des résultats.

Variantes

Six tailles partagent le même backbone CSP et le même neck PAFPN. Les deux plus petites, n et t, s'exécutent à une résolution d'entrée fixe plus faible que les quatre autres\u00a0; le tableau de benchmark ci-dessous donne la valeur exacte de chacune.

Entraîner

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Sans autre réglage, le trainer exécute 300 époques avec lr0=0.01, un momentum SGD de 0.9, un warmup de 5 époques, et désactive les augmentations mosaic et mixup pendant les 15 dernières époques. train() accepte également un argument pretrained, mais sa valeur n'est jamais lue dans la méthode\u00a0: l'entraînement continue toujours depuis les poids ayant servi à construire le modèle. pretrained=False ne réinitialise donc pas le réseau.

La valeur par défaut de imgsz est fixe dans la configuration d'entraînement de base, elle ne correspond pas à la résolution native du checkpoint chargé. Cela concerne tout particulièrement les checkpoints n et t\u00a0: si vous poursuivez l'entraînement de l'un ou de l'autre sans définir explicitement imgsz, il passe à la plus grande valeur par défaut et n'utilise plus la taille inférieure avec laquelle il a été publié.

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 au format utilisé pour l'entraînement.

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

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

# Le YAML COCO fourni contient un script de téléchargement intégré, il nécessite donc# une autorisation explicite sauf si le dataset est déjà présent localement.libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

Exporter

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. Un export CoreML peut intégrer la NMS au graphe avec nms=True\u00a0; YOLOX et YOLOv9 sont les deux seules familles pour lesquelles ce paramètre est actuellement accepté.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 half=True

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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés pour cette famille.

Licence

Citation

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}