AlexNet

AlexNet adalah jaringan konvolusional yang memenangkan ILSVRC 2012 dan ikut memulai era deep learning di computer vision. LibreYOLO menyediakan revisi arsitektur single-tower yang lebih baru untuk klasifikasi gambar.

Task: classify
Ukuran: b at 224 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: AlexNet oleh University of Toronto, BSD-3-Clause. Makalah, sumber
Lisensi: Kode BSD-3-Clause, bobot BSD-3-Clause. Penggunaan komersial

Instalasi

AlexNet tidak memerlukan extra opsional. Semua yang diimpornya sudah ada di instalasi dasar.

bash

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali dipakai dan disimpan di cache lokal.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreAlexNetb-cls.pt")result = model(SAMPLE_IMAGE, save=True) probs = result.probsprint(probs.top1, probs.top1conf)print(probs.top5, probs.top5conf)

CLI

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

Classifier mengembalikan result.probs, bukan result.boxes: top1 dan top5 memberi indeks kelas, top1conf dan top5conf memberi skor keyakinannya. Lihat prediksi untuk sumber, streaming dan penanganan hasil.

Varian

Satu ukuran. Graph yang disertakan adalah revisi single-tower yang lebih baru dari torchvision, dengan 64 filter pada lapisan pertama dan tanpa local response normalization, bukan arsitektur dua-GPU asli dari 2012. LibreYOLO menyediakan family ini hanya untuk inferensi: prediksi, validasi top-1/top-5 ala ImageNet dan ekspor didukung, sedangkan fine-tuning belum diimplementasikan.

Validasi

val() berjalan atas split bergaya ImageFolder (direktori dengan subfolder train/ dan val/, satu folder per kelas) dan mengembalikan akurasi top-1 dan top-5.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreAlexNetb-cls.pt") # data adalah direktori root berisi split train/ dan val/ berupa folder# per kelas (tata letak ImageFolder), bukan YAML dataset.metrics = model.val(data="imagenet-1k/") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

CLI

libreyolo val model=LibreAlexNetb-cls.pt data=imagenet-1k/

Ekspor

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
classify	classify to ONNX: didukung	classify to TorchScript: didukung	classify to ExecuTorch: didukung	classify to TensorRT: didukung	classify to OpenVINO: didukung	classify to Paddle: tidak didukung	classify to MNN: tidak didukung	classify to RKNN: tidak didukung	classify to ncnn: didukung	classify to TFLite: tidak didukung	classify to CoreML: tidak didukung	classify to Core AI: tidak didukung

Artefak hasil ekspor dimuat kembali lewat LibreYOLO() berdasarkan sufiks berkasnya, jadi berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Ekspor memuat daftar argumen yang diterima setiap format dan tambahan yang dipakai beberapa di antaranya.

Python

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

CLI

libreyolo export model=LibreAlexNetb-cls.pt format=onnxlibreyolo export model=LibreAlexNetb-cls.pt format=tensorrt half=True

Memakai berkas hasil ekspor

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory memilih rute berdasarkan sufiks berkas, jadi artefak hasil# ekspor dimuat seperti checkpoint biasa dan mengembalikan objek# Results yang sama.model = LibreYOLO("LibreAlexNetb-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
classify
LibreAlexNetb-cls.pt	224	bsd-3-clause

Setiap berkas di atas saat ini tersedia di organisasi LibreYOLO dan diunduh saat pertama kali digunakan.

Lisensi

Periksa lisensi di repositori Hugging Face untuk bobot tertentu yang diunduh. Setiap checkpoint di organisasi LibreYOLO memiliki lisensi, dan lisensinya tidak selalu sama dalam satu family. Repositori tersebut adalah sumber resmi. Ringkasan di bawah menjelaskan ketentuan yang berlaku saat halaman ini terakhir diverifikasi.

Ini adalah deskripsi lisensi yang terlibat, bukan nasihat hukum. Jika jawabannya penting secara komersial, baca sendiri lisensinya dan mintalah nasihat dari penasihat hukum Anda.

Karya asli: AlexNet, University of Toronto
Lisensi upstream: BSD-3-Clause
Sumber upstream: github.com/pytorch/vision
Kode LibreYOLO: MIT
Bobot: BSD-3-Clause, dipublikasikan ulang di huggingface.co/LibreYOLO
Interpretasi: BSD-3-Clause is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, the list of conditions and the disclaimer with any copy you redistribute, and it forbids using the contributors' names to endorse a derived product without permission; it carries no explicit patent grant. LibreYOLO's code and the shipped checkpoint are both derived from torchvision's single-tower AlexNet, the later "one weird trick" graph, not the original two-GPU 2012 model, and no code from the 2012 paper's authors is republished here. Torchvision itself notes that BSD-3-Clause redistribution of a pretrained checkpoint is an implied basis rather than a grant written for that specific checkpoint, and that pretrained-model terms can depend on the data a model was trained on; LibreYOLO repeats that caveat on the hosted weights repository.