PicoDet

Instalasi

PicoDet tidak memerlukan komponen tambahan selain paket 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("LibrePICODETs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti detektor hanya memerlukan perubahan satu baris. conf menetapkan ambang batas skor keyakinan dan iou menetapkan ambang NMS. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Tiga ukuran, masing-masing dengan resolusi input tetapnya sendiri: s paling kecil dan l paling besar. Resolusi meningkat bersama ukuran, sehingga checkpoint yang lebih besar juga lebih mahal untuk dijalankan per gambar, selain memiliki lebih banyak parameter.

Pelatihan

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.train(    data="my-dataset.yaml",    epochs=300, batch=16, lr0=0.01,)

# imgsz perlu ditetapkan: nilai default CLI adalah 640, sedangkan# resolusi native checkpoint s adalah 320.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

Komponen loss dan assigner mengikuti resep upstream: VFL, DFL, GIoU, dan SimOTA, dengan pembobotan kualitas klasifikasi serta target VFL IoU dinamis. Inferensi setara hingga tingkat bit dengan upstream pada checkpoint yang sama.

Hal yang belum diperiksa, sesuai docstring train() sendiri: konvergensi dataset penuh, perilaku multi-GPU, dan augmentasi apa pun selain pembalikan horizontal. Checkpoint s pada resolusi native 320 juga belum secara konsisten melewati batas bawah akurasi LibreYOLO pada fixture 30 gambar dan dua kelas yang dipakai library untuk menguji fine-tuning kecil. Ukuran tersebut lebih cocok pada skala COCO penuh.

train() juga menerima argumen pretrained, tetapi nilainya tidak pernah dibaca di dalam metode: pelatihan selalu berlanjut dari bobot yang dipakai saat model dibuat, sehingga pretrained=False tidak menginisialisasi ulang jaringan. Biarkan imgsz tidak ditetapkan di Python agar nilainya memakai resolusi native checkpoint yang dimuat, yaitu 320 untuk s, 416 untuk m, dan 640 untuk l. CLI selalu mengirim imgsz dengan nilai default 640, jadi tetapkan nilainya di sana agar sesuai checkpoint.

Jika pengaturan lain dibiarkan, pelatih berjalan selama 300 epoch dengan SGD pada lr0=0.01, momentum 0.9, weight decay 4e-5, serta warmup 1 epoch pada jadwal kosinus. Pembalikan horizontal adalah satu-satunya augmentasi yang diterapkan.

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

Validasi

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

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibrePICODETs.pt data=my-dataset.yaml

Ekspor

Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Menjalankan graph pada runtime mandiri tanpa memasang LibreYOLO juga didukung, tetapi prapemrosesan dan pascapemrosesannya harus ditulis sendiri.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.export(format="onnx", imgsz=320)model.export(format="tensorrt", imgsz=320, half=True)

libreyolo export model=LibrePICODETs.pt format=onnx imgsz=320libreyolo export model=LibrePICODETs.pt format=tensorrt imgsz=320 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory merutekan berdasarkan sufiks berkas, sehingga artefak hasil ekspor# dimuat seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@misc{yu2021pppicodet,
      title={PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
      author={Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
      year={2021},
      eprint={2111.00902},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}