ResNet

Instalasi

ResNet tidak memerlukan komponen tambahan opsional. Semua impornya 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("LibreResNet50-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreResNet50-cls.pt source=cat.jpg save=True

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti model hanya memerlukan perubahan satu baris. Pengklasifikasi tidak memiliki kotak atau mask: result.probs menyimpan prediksi seluruh gambar dengan top1, top5, top1conf, dan top5conf. conf, iou, dan max_det diterima demi kesetaraan API tetapi tidak berpengaruh karena tidak ada yang perlu diberi ambang batas atau ditekan pada satu vektor probabilitas. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Empat kedalaman, semuanya dilatih dan dievaluasi dengan cara yang sama, sehingga pemilihannya merupakan pertukaran langsung antara jumlah parameter dan akurasi. Task-nya tetap: setiap ukuran hanya mencakup klasifikasi. Nama berkas bobot berakhir dengan -cls.pt pada setiap ukuran, dan sufiks itulah yang dibaca factory untuk merutekan ke family ini; argumen task= tidak diperlukan.

Pelatihan

Fine-tuning dimulai dari backbone ImageNet yang dipublikasikan dan secara otomatis membangun ulang lapisan pengklasifikasi akhir agar sesuai dengan jumlah kelas dataset target.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Jika dibiarkan, pelatih 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 akan memunculkan error karena LoRA di LibreYOLO menargetkan komponen transformer dengan lapisan nn.Linear, sedangkan ResNet tidak memilikinya.

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

Validasi

val() mengembalikan dictionary dengan key metrics/. Untuk klasifikasi, key tersebut mencakup akurasi top-1 dan top-5 pada split validasi.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreResNet50-cls.pt data=imagenette160

Ekspor

Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Ekspor mencantumkan argumen yang diterima setiap format beserta komponen tambahan yang disediakan beberapa format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreResNet50-cls.pt format=onnxlibreyolo export model=LibreResNet50-cls.pt format=tensorrt 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("LibreResNet50-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@article{He2015,
	author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
	title = {Deep Residual Learning for Image Recognition},
	journal = {arXiv preprint arXiv:1512.03385},
	year = {2015}
}