FAQ

Model mana yang sebaiknya digunakan pertama kali?

YOLOv9 untuk detektor CNN dan RF-DETR untuk detektor transformer. Keduanya berada dalam tier flagship, yang berarti fitur dirancang dan divalidasi pada GPU terhadap keduanya sebelum yang lain. Lihat YOLOv9 dan RF-DETR, atau semua model untuk pilihan lain.

Apakah GPU diperlukan?

Tidak. Setiap model berjalan pada CPU, dan semua contoh dalam mulai cepat ditulis agar berjalan di sana. GPU mengubah durasi pelatihan dan inferensi video, bukan apakah keduanya berfungsi.

Bagaimana LibreYOLO memilih device?

Default-nya adalah device="auto", yang menggunakan CUDA ketika PyTorch melaporkannya tersedia, kemudian Metal Performance Shaders jika tersedia, dan CPU jika tidak. Untuk menetapkannya, berikan device kepada model atau predict, train, val, dan export. Nilai yang diterima adalah "cpu", "cuda", "cuda:0", "mps", bilangan bulat seperti 0, atau string digit; dua yang terakhir dikembangkan menjadi cuda:<n>.

libreyolo checks mencetak build Torch, versi CUDA dan cuDNN, serta setiap GPU yang terlihat. Jika perintah tersebut tidak menunjukkan CUDA, wheel PyTorch adalah build CPU; instalasi menjelaskan cara menggantinya.

Di mana bobot hasil unduhan disimpan?

Dalam weights/ relatif terhadap direktori kerja. Referensi model tanpa komponen direktori diselesaikan di sana dan diunduh saat penggunaan pertama; referensi yang menyertakan direktori digunakan persis sebagaimana ditulis dan tidak pernah diambil. Lihat checkpoint dan bobot.

Dapatkah LibreYOLO berjalan tanpa akses jaringan?

Ya. Ambil checkpoint satu kali pada mesin terhubung, salin direktori weights/, dan tidak ada akses jaringan lagi. Path read-only bersama juga berfungsi karena referensi yang memuat direktori diperlakukan secara literal. Dataset diselesaikan di bawah ~/datasets, atau di bawah LIBREYOLO_DATASETS_DIR.

Dapatkah LibreYOLO digunakan secara komersial?

Kode berlisensi MIT. Bobot pretrained merupakan pertanyaan terpisah: bobot dapat mewarisi ketentuan dari project atau dataset asalnya, dan ketentuannya tidak seragam bahkan dalam satu family. Lisensi pada repositori Hugging Face tertentu adalah sumber otoritatif, dan setiap halaman model memiliki bagian lisensi yang mereproduksinya. Jika bobot dibatasi, LibreYOLO mencetak batasan sebelum pengunduhan dimulai.

Dapatkah checkpoint dari project lain dimuat?

Biasanya bisa, dengan memberikan path-nya kepada LibreYOLO(). Tata letak upstream yang dikenali dikonversi saat pemuatan dengan mempertahankan jumlah dan nama kelasnya, lalu checkpoint LibreYOLO ditulis di samping sumber. Impor bobot yang ada menjelaskan yang dikenali dan yang memerlukan script konversi.

Mengapa train memunculkan NotImplementedError?

Karena family tersebut hanya mendukung inferensi, dan exception menyebutkan alasannya. Prediksi, validasi, dan ekspor jika didukung tetap berfungsi; tidak ada loop pelatihan untuk arsitektur tersebut dalam LibreYOLO. Tier dukungan pada header halaman model memberi tahu hal ini sebelum dicoba. Lihat konsep inti.

Apa yang dikembalikan val?

Dictionary biasa, bukan objek. Kunci deteksi mencakup metrics/precision, metrics/recall, metrics/mAP50, dan metrics/mAP50-95. Task lain mengembalikan kunci yang relevan, seperti metrics/accuracy_top1 untuk classification atau metrics/PQ, metrics/SQ, dan metrics/RQ untuk panoptic segmentation.

Bagaimana menjalankan folder, video, atau webcam?

Berikan sebagai sumber. Path berkas adalah satu gambar, direktori adalah setiap gambar di dalamnya, path video adalah video, bilangan bulat adalah indeks webcam, dan URL RTSP, RTMP, TCP, UDP, atau HLS adalah live stream. Berkas .streams mencantumkan beberapa sumber sekaligus. Live sumber memerlukan stream=True, yang menghasilkan satu Results per frame alih-alih membangun list; flag yang sama layak digunakan untuk video panjang dan direktori besar. Hanya URL halaman YouTube yang memerlukan ekstra libreyolo[stream].

Bagaimana hanya mempertahankan kelas tertentu?

Berikan classes kepada predict dengan indeks kelas yang diinginkan, misalnya classes=[0, 2]. conf menetapkan ambang batas confidence dengan default 0.25, dan max_det membatasi deteksi per gambar dengan default 300.

Apakah CLI menggunakan flag atau pasangan kunci=value?

Kunci dan value yang disambung tanda sama dengan untuk setiap perintah:

libreyolo predict model=yolo9-t source=my-image.jpg save=True
libreyolo train model=yolo9-t data=coco8.yaml epochs=50 imgsz=640

model menerima path atau nama pendek berbentuk family-size, dengan suffix task opsional, dan libreyolo models mencantumkan setiap nilai valid. Perintah diagnostik dan inventaris juga menerima --json, yang mencetak data yang sama sebagai objek machine-readable ke stdout.

Dapatkah setiap model diekspor ke setiap format?

Tidak. Cakupan berlaku per family dan per task, bukan seragam, dan setiap format memiliki ekstra yang harus diinstal. Setiap halaman model memiliki matriks ekspor family; bagian ekspor menjelaskan formatnya.

Apa perbedaan segment, semantic, dan panoptic?

Ketiganya merupakan task berbeda. segment menghasilkan satu mask per objek terdeteksi. semantic memberi label kelas pada setiap piksel tanpa memisahkan instance. panoptic memberi setiap piksel tepat satu label, menggabungkan thing yang dapat dihitung dengan stuff amorf. Ground truth, kolom hasil, dan metriknya berbeda, dan family mendukung task yang muncul dalam list task-nya.

Bagaimana melatih dengan kelas sendiri?

Buat YAML dataset dengan train, val, dan names. Label berada di samping gambar dalam tree labels/ paralel, satu .txt per gambar, dengan koordinat ternormalisasi. nc opsional dan harus cocok dengan names jika ada. Jalankan libreyolo doctor <data.yaml> terlebih dahulu: perintah ini memeriksa masalah dataset dan keluar nonzero ketika menemukan error, sehingga dapat digunakan sebagai gate CI.

Mengapa pemuatan menampilkan peringatan metadata?

Karena checkpoint tidak memiliki metadata v1.0 lengkap. Pemuatan berlanjut melalui jalur kompatibilitas, dan peringatan menyebutkan kunci yang hilang. Jalankan libreyolo metadata path=<file> untuk melihat isinya, dan lihat checkpoint dan bobot untuk persyaratan skema.

Import berhenti berfungsi setelah upgrade. Apa yang berubah?

Dua nama kelas diubah agar konsisten: LibreYOLORTDETR menjadi LibreRTDETR dan LibreYOLORFDETR menjadi LibreRFDETR. Nama lama tetap diselesaikan dan menghasilkan DeprecationWarning yang menunjuk ke nama baru, sehingga kode lama tetap berjalan selama diperbarui.