MobileNetV4

Instalasi

MobileNetV4 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("LibreMobileNetV4s-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreMobileNetV4s-cls.pt source=cat.jpg save=True

Objek Results yang dikembalikan sama seperti yang dikembalikan setiap family, sehingga mengganti model hanya memerlukan perubahan satu baris. Classifier tidak memiliki box atau mask. result.probs memuat prediksi seluruh gambar dengan top1, top5, top1conf, dan top5conf. conf, iou, dan max_det diterima demi paritas API, tetapi tidak berpengaruh karena tidak ada yang perlu diberi ambang batas atau di-suppress pada satu vektor probabilitas. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Ada tiga ukuran, small/medium/large, semuanya hanya berbasis konvolusi. Family ini tidak menyertakan varian hybrid yang menambahkan attention Mobile MQA. Pemilihan ukuran merupakan pertukaran langsung antara jumlah parameter dan akurasi. Task-nya tetap: setiap ukuran hanya mencakup klasifikasi. Nama berkas bobot berakhiran -cls.pt pada setiap ukuran, dan akhiran itulah yang dibaca factory untuk merutekan ke family ini. Argumen task= tidak diperlukan.

Pelatihan

Fine-tuning dimulai dari backbone ImageNet yang dipublikasikan dan membangun ulang lapisan classifier terakhir secara otomatis sesuai jumlah kelas dataset target.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMobileNetV4s-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreMobileNetV4s-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreMobileNetV4s-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Jika dibiarkan, trainer berjalan selama 100 epoch pada lr0=1e-3 dengan AdamW, batch 64, dan early stopping setelah 50 epoch tanpa peningkatan. data menerima root dataset (train/ dan val/, satu folder per kelas), nama pendek yang dikenal seperti imagenette160, atau URL .zip. lora=True tidak didukung di sini. Meneruskannya memunculkan error karena LoRA di LibreYOLO menargetkan komponen transformer dengan lapisan nn.Linear, sedangkan blok UIB family ini tidak memilikinya.

Lihat pelatihan untuk dataset, augmentasi, multi-GPU, dan logger.

Validasi

val() mengembalikan dictionary berisi key metrics/. Untuk klasifikasi, ini adalah akurasi top-1 dan top-5 pada split validasi.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMobileNetV4s-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreMobileNetV4s-cls.pt data=imagenette160

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 setiap format serta extra yang ditambahkan oleh beberapa format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMobileNetV4s-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreMobileNetV4s-cls.pt format=onnxlibreyolo export model=LibreMobileNetV4s-cls.pt format=tensorrt 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("LibreMobileNetV4s-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Lisensi