Conçu pour la découverte
Une base de code pensée pour les chercheurs, pas seulement pour les utilisateurs. Modifiez librement, inspectez en profondeur et publiez sans payer pour ce privilège.
Aucune « licence de recherche » requise
Certains frameworks facturent des licences « recherche » ou « science » à part, juste pour vous laisser inspecter le code sans publier votre travail. Pas LibreYOLO.
Les « licences scientifiques » habituelles
- Payer pour garder sa recherche privée
- Des frais pour la R&D commerciale
- Des niveaux de licence complexes
- Une revue juridique avant publication
LibreYOLO (MIT)
- Cherchez librement, gardez tout privé
- Zéro frais, quel que soit le cas d'usage
- Une seule licence, simple : MIT
- Publiez sans souci juridique
Voir à l'intérieur de la boîte noire
Des outils intégrés d'interprétabilité et d'explicabilité. Aucune dépendance externe, aucune configuration compliquée : juste des flags et des appels de fonction.
Extraction des cartes de caractéristiques
Un flag. C'est tout ce qu'il faut pour enregistrer les activations intermédiaires de chaque couche. Parfait pour comprendre ce que votre modèle « voit » à chaque étape.
from libreyolo import LibreYOLO
# Enable feature map saving in constructor
model = LibreYOLO(
model_path="LibreYOLO11m.pt",
size="m",
save_feature_maps=True
)
# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")
# Saved to: runs/feature_maps/
Visualisations CAM
Expérimental7 méthodes de Class Activation Map intégrées. Appelez model.explain() pour générer des cartes de chaleur qui montrent ce sur quoi votre modèle se concentre. Cette fonctionnalité est expérimentale et les résultats peuvent varier.
from libreyolo import LibreYOLO
model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")
# One-line CAM visualization
result = model.explain(
image="parkour.jpg",
method="gradcam",
target_layer="neck_c2f22",
save=True
)
# Returns heatmap and overlay
print(result["heatmap"].shape)Conçu pour être modifié
La base de code est écrite pour être facile à lire et à modifier. Envie de tester un nouveau backbone ? D'expérimenter un mécanisme d'attention maison ? D'ajouter une fonction de perte inédite ? Allez-y.
# Your modified architecture
from libreyolo.models.yolov11 import YOLOv11
class YOLOv11Custom(YOLOv11):
def __init__(self):
super().__init__()
# Swap out the backbone
self.backbone = MyCustomBackbone()
def forward(self, x):
features = self.backbone(x)
return self.head(self.neck(features))
# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")Commencez vos recherches dès aujourd'hui
Aucun frais de licence. Aucun paywall. Aucune restriction pour garder votre travail privé. Installez, et commencez à explorer.
$ pip install libreyolo