FOMO

Instalasi

FOMO tidak memerlukan extra selain paket dasar.

pip install libreyolo

Prediksi

Tidak seperti semua family lain di situs ini, bobot LibreFOMO tidak diunduh otomatis. LibreYOLO("LibreFOMOs-point.pt") mencari berkas tersebut di disk dan memunculkan ValueError yang menyebutkan namanya alih-alih mengambilnya dari Hugging Face. Unduh checkpoint dari organisasi LibreYOLO lebih dulu dan muat berdasarkan path lokal, atau latih sendiri (lihat Pelatihan di bawah).

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Bobot LibreFOMO tidak diunduh otomatis (lihat Checkpoint di bawah).# Arahkan ini ke checkpoint yang telah diunduh secara lokal.model = LibreYOLO("./LibreFOMOs-point.pt")result = model(SAMPLE_IMAGE, save=True) for point in result.points:    print(point.cls, point.conf, point.xy)

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

Hasil memuat payload points, bukan boxes. Setiap baris adalah x, y, class, confidence, yang tersedia sebagai result.points.data atau melalui accessor .xy, .xyn, .cls, dan .conf. Tidak ada ambang batas iou untuk ditetapkan karena tidak ada box yang perlu di-suppress. predict(..., nms_radius=1) mengontrol jarak minimum dalam jumlah sel grid agar dua deteksi sama-sama bertahan, dan nama berkas harus memuat akhiran task FOMO -point agar dikenali loader. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Tiga ukuran, s, m, dan l, menggunakan backbone bergaya MobileNetV2 yang makin lebar pada resolusi input tetap yang juga makin besar, masing-masing di belakang satu head klasifikasi 1x1. Family ini tidak memiliki tabel benchmark di sini. Ukuran berkas checkpoint dalam tabel di bawah adalah indikator per ukuran paling jelas yang saat ini dipublikasikan.

Pelatihan

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.train(    data="my-dataset.yaml",    epochs=40, batch=32, lr0=3e-4,)

# imgsz harus diteruskan: CLI memakai nilai default 640, sedangkan checkpoint s# hanya menerima resolusi native 96.libreyolo train model=./LibreFOMOs-point.pt data=my-dataset.yaml imgsz=96 epochs=40 batch=32 lr0=3e-4

imgsz bukan pilihan bebas. Nilainya default ke resolusi native checkpoint yang dimuat, dan meneruskan nilai lain memunculkan ValueError yang menyebutkan ukuran yang diharapkan. Ukurannya adalah 96 untuk s, 192 untuk m, dan 224 untuk l. CLI menetapkan imgsz default ke 640, sehingga perintah libreyolo train harus mengaturnya secara eksplisit agar cocok dengan checkpoint.

Jika pengaturan lain dibiarkan apa adanya, trainer berjalan selama 40 epoch dengan batch 32 memakai Adam pada lr0=3e-4, tanpa weight decay, dan kelas foreground diberi bobot 100 kali kelas background dalam loss cross-entropy per sel karena hampir setiap sel grid adalah background dalam adegan biasa. EMA dan mixed precision sama-sama nonaktif secara default. Augmentasi geometris maupun warna yang digunakan di bagian lain LibreYOLO juga tidak diterapkan: mosaic, mixup, HSV jitter, flip, rotasi, translasi, dan shear semuanya nol.

Ini adalah jalur yang digunakan untuk melatih checkpoint LibreFOMO yang dipublikasikan, dari nol pada COCO.

Lihat pelatihan untuk dataset dan logger.

Validasi

val() mengarahkan eksekusi ke validator tingkat grid yang dibuat untuk family ini. Di samping key point matching metrics/precision, metrics/recall, dan metrics/mAP@ yang sama dengan task titik lain, validator menyapu ambang batas confidence dan nilai nms_radius, lalu memublikasikan kombinasi F1 terbaik pada metrics/grid_F1, metrics/grid_precision, metrics/grid_recall, dan metrics/grid_mean_distance. Ambang batas dan radius yang menghasilkannya tersedia pada decode/threshold dan decode/nms_radius.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/grid_F1"])print(metrics["metrics/grid_precision"], metrics["metrics/grid_recall"])

libreyolo val model=./LibreFOMOs-point.pt data=my-dataset.yaml

Ekspor

Artefak hasil ekspor dapat dimuat kembali melalui LibreYOLO() berdasarkan akhiran berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Menjalankan graph pada runtime polos tanpa LibreYOLO juga didukung, tetapi preprocessing dan postprocessing harus ditulis sendiri.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=./LibreFOMOs-point.pt format=onnx

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("./LibreFOMOs-point.onnx")result = model(SAMPLE_IMAGE) print(result.points.xy)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini. Tidak satu pun diunduh secara otomatis. Ambil berkas yang diinginkan dari halaman Hugging Face yang ditautkan dan teruskan path lokalnya ke LibreYOLO().

Lisensi