DeepLabv3

Jaringan segmentasi semantik yang melakukan pooling fitur pada beberapa dilation rate secara paralel (atrous spatial pyramid pooling) sebelum mengklasifikasikan setiap piksel. LibreYOLO menyediakannya hanya untuk segmentasi semantik.

Task: semantic
Ukuran
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: DeepLabv3 oleh PyTorch, BSD-3-Clause. Makalah, sumber
Lisensi: Kode BSD-3-Clause, bobot BSD-3-Clause. Penggunaan komersial

Instalasi

DeepLabv3 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. Sufiks nama berkas -sem wajib untuk family ini.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDeepLabv3r50-sem.pt")result = model(SAMPLE_IMAGE, save=True) mask = result.semantic_maskprint(mask.data.shape)   # (H, W) id kelasprint(mask.classes)      # id kelas yang ada di gambar, terurut

CLI

libreyolo predict model=LibreDeepLabv3r50-sem.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Segmentasi semantik mengembalikan satu id kelas per piksel, bukan bounding box, jadi result.semantic_mask membawa array (H, W) di .data dan daftar id kelas yang ada di gambar di .classes. conf, iou dan max_det tetap diterima demi kesetaraan API, tetapi tidak berpengaruh: model menetapkan satu kelas untuk setiap piksel lewat argmax, tanpa ambang batas skor keyakinan maupun langkah NMS. Lihat prediksi untuk sumber, streaming dan penanganan hasil.

Varian

Tiga backbone: ResNet-50 dilated, ResNet-101 dilated, dan MobileNetV3-Large dilated. Ini DeepLabv3, bukan DeepLabv3+, jadi tidak ada tahap decoder maupun penghalusan CRF, sesuai implementasi torchvision alih-alih kode referensi dari paper aslinya.

LibreYOLO tidak melatih DeepLabv3: train() memunculkan NotImplementedError untuk family ini, dan tingkat dukungan di atas menandainya sebagai inferensi saja. Ketiga checkpoint yang dipublikasikan adalah bobot COCO-dengan-label-VOC milik torchvision sendiri, yang dikonversi untuk loader LibreYOLO.

Validasi

val() mengembalikan metrics/mIoU dan metrics/pixel_accuracy, yang diukur terhadap dataset apa pun dengan format yang dipakai saat pelatihan.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeepLabv3r50-sem.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mIoU"])print(metrics["metrics/pixel_accuracy"])

CLI

libreyolo val model=LibreDeepLabv3r50-sem.pt data=my-dataset.yaml

Ekspor

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

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeepLabv3r50-sem.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreDeepLabv3r50-sem.pt format=onnxlibreyolo export model=LibreDeepLabv3r50-sem.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("LibreDeepLabv3r50-sem.onnx")result = model(SAMPLE_IMAGE) print(result.semantic_mask.data.shape)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
semantic
LibreDeepLabv3r50-sem.pt		bsd-3-clause
LibreDeepLabv3r101-sem.pt		bsd-3-clause
LibreDeepLabv3mv3-sem.pt		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: DeepLabv3, PyTorch
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 this code and these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, license text and a non-endorsement clause with any copy you redistribute. LibreYOLO's inference graph is torchvision's ASPP head over its ResNet-50, ResNet-101 and MobileNetV3-Large backbones; it is DeepLabv3, not DeepLabv3+, so there is no decoder or CRF, and the paper's training-only auxiliary FCN classifier is excluded. The three published checkpoints are torchvision's official COCO-with-VOC-label weights; their separate LibreYOLO Hugging Face mirrors carry BSD-3-Clause on an implied basis disclosed by torchvision rather than an explicit checkpoint-specific grant, and torchvision's own documentation notes that pretrained-model terms can depend on the training data, leaving that determination to the user.