Benchmark LibreYOLO
Bandingkan akurasi COCO, generalisasi, dan kecepatan inferensi.
COCO
Akurasi dibanding ukuran
Bandingkan akurasi COCO dengan jumlah parameter, dengan YOLOv9 dan RF-DETR disorot. Data dari Vision Analysis.
RF100-VL
Generalisasi di luar COCO
RF100-VL mengukur adaptasi detektor objek ke domain baru melalui fine-tuning pada 100 dataset dunia nyata.
Metodologi dan batasan
Setiap konfigurasi dilatih secara terpisah pada setiap dataset. Checkpoint dipilih pada split validasi dan dinilai pada split test dengan pycocotools pada maxDets 500. Hasilnya adalah rata-rata AP50:95 tanpa pembobotan dari seluruh 100 dataset.
Garis menghubungkan ukuran model. Resep pelatihan dan resolusi bervariasi; LoRA ditampilkan terpisah.
Hasil ini menggunakan satu seed dengan resep, resolusi, dan presisi numerik khusus tiap keluarga. Laporan menjelaskan metodologi, perbandingan model, dan batas implementasi.
* Skor YOLOv9 berasal dari sebelum perbaikan pelatihan. YOLO-NAS memakai bobot pralatih dengan lisensi nonkomersial terpisah.
Kecepatan inferensi pada perangkat Anda
Bandingkan latensi berdasarkan perangkat, runtime, dan presisi.