LW-DETR

Instalasi

LW-DETR tidak memerlukan extra opsional. Semua yang diimpornya tersedia dalam instalasi dasar.

pip install libreyolo

Prediksi

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreLWDETRt.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

Objek Results yang dikembalikan sama seperti yang dikembalikan setiap family, sehingga mengganti detector hanya memerlukan perubahan satu baris. conf dan max_det memfilter pemilihan query. iou diterima demi paritas API, tetapi tidak berpengaruh karena decoder adalah set predictor tanpa langkah NMS. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

LW-DETR hanya untuk inferensi di LibreYOLO. Upstream melatih dengan supervisi one-to-many Group-DETR pada beberapa grup query dan loss klasifikasi IoU-aware. Resep tersebut tidak dihubungkan di sini, sehingga train() memunculkan NotImplementedError.

Varian

Ada lima ukuran. Semuanya memakai encoder ViT polos, projector multi-scale, dan decoder deformable DETR yang sama serta berjalan pada resolusi input yang sama. Dua ukuran terkecil memakai lebar encoder yang sama dan dibedakan oleh kedalaman blok. Dua berikutnya memakai encoder lebih lebar dan dibedakan oleh jumlah level projector yang memasok decoder. Ukuran terbesar beralih ke encoder paling lebar.

Validasi

val() mengembalikan dictionary berisi key metrics/ yang mencakup presisi, recall, mAP 50, dan mAP 50-95, yang diukur terhadap dataset apa pun dalam format yang digunakan saat pelatihan.

from libreyolo import LibreYOLO model = LibreYOLO("LibreLWDETRt.pt") # val() mengembalikan dict biasa, bukan objekmetrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreLWDETRt.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. Ekspor mencantumkan argumen yang diterima oleh setiap format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreLWDETRt.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreLWDETRt.pt format=onnx imgsz=640libreyolo export model=LibreLWDETRt.pt format=tensorrt imgsz=640 half=True

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("LibreLWDETRt.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@article{chen2024lw,
    title={LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection},
    author={Chen, Qiang and Su, Xiangbo and Zhang, Xinyu and Wang, Jian and Chen, Jiahui and Shen, Yunpeng and Han, Chuchu and Chen, Ziliang and Xu, Weixiang and Li, Fanrong and others},
    journal={arXiv preprint arXiv:2406.03459},
    year={2024}
}