FCN

Classifier padat per piksel yang mengganti lapisan fully connected milik detector dengan konvolusi, sehingga menghasilkan peta kelas beresolusi penuh, bukan box. LibreYOLO menyediakannya hanya untuk segmentasi semantik.

Task: semantic
Ukuran: r50, r101 at 520 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: FCN oleh PyTorch, BSD-3-Clause. Makalah, sumber
Lisensi: Kode BSD-3-Clause, bobot BSD-3-Clause. Penggunaan komersial

Instalasi

FCN tidak memerlukan extra opsional. Semua yang diimpornya tersedia dalam instalasi dasar.

bash

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali digunakan dan disimpan dalam cache lokal.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFCNr50.pt")result = model(SAMPLE_IMAGE, save=True) mask = result.semantic_maskprint(mask.data.shape)   # ID kelas (H, W)print(mask.classes)      # ID kelas terurut yang ada dalam gambar

CLI

libreyolo predict model=LibreFCNr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Segmentasi semantik mengembalikan satu ID kelas per piksel, bukan box, sehingga result.semantic_mask menyimpan array (H, W) pada .data dan daftar ID kelas yang ada dalam gambar pada .classes. conf, iou, dan max_det diterima demi paritas API, tetapi tidak berpengaruh. Model menetapkan kelas untuk setiap piksel dengan argmax, tanpa ambang batas confidence atau langkah NMS. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Ada dua kedalaman ResNet, keduanya dengan input tetap 520 px. Graph inferensi library ini adalah FCN ResNet berdilasi dari torchvision, bukan jaringan FCN-8s berbasis VGG dengan skip connection dari makalah asli.

LibreYOLO tidak melatih FCN: train() memunculkan NotImplementedError untuk family ini, yang ditandai sebagai hanya inferensi pada tingkat dukungan di atas. Kedua checkpoint yang dipublikasikan merupakan bobot milik torchvision yang dilatih pada COCO dan dikonversi untuk loader LibreYOLO.

Validasi

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

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mIoU"])print(metrics["metrics/pixel_accuracy"])

CLI

libreyolo val model=LibreFCNr50.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 dapat dimuat kembali melalui LibreYOLO() berdasarkan akhiran berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Ekspor mencantumkan argumen yang diterima oleh setiap format.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreFCNr50.pt format=onnxlibreyolo export model=LibreFCNr50.pt format=tensorrt half=True

Gunakan berkas hasil ekspor

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory merutekan berdasarkan akhiran berkas, sehingga artefak hasil ekspor dimuat# seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreFCNr50.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
LibreFCNr50.pt	520	bsd-3-clause
LibreFCNr101.pt	520	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: FCN, 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 dilated-ResNet FCN, not the original VGG-based FCN-8s skip-fusion network from the paper. The two published checkpoints are torchvision's official COCO-trained 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.