SSD

SSD (Single Shot MultiBox Detector) memprediksi setiap kotak dan skor kelas dari grid padat default box dalam satu forward pass, tanpa tahap region proposal terpisah. LibreYOLO menyediakan checkpoint SSD300 berbasis VGG16 sebagai detektor khusus inferensi.

Task: detection
Ukuran: 300 at 300 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: SSD oleh UNC Chapel Hill, Zoox, Google and University of Michigan, BSD-3-Clause. Makalah, sumber
Lisensi: Kode BSD-3-Clause, bobot BSD-3-Clause. Penggunaan komersial

Instalasi

SSD tidak memerlukan komponen tambahan opsional. Semua impornya tersedia dalam instalasi dasar.

bash

pip install libreyolo

Prediksi

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreSSD300.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreSSD300.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. SSD mendekode grid default box dengan skor per kelas, lalu menjalankan non-maximum suppression, sehingga conf, iou, dan max_det semuanya benar-benar berpengaruh di sini, tidak seperti detektor berbasis query dalam library ini. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

SSD menyediakan satu checkpoint: jaringan SSD300 berbasis VGG16 pada canvas native tetap. Tidak ada pilihan ukuran atau skala dalam family ini; prediksi, validasi, dan ekspor semuanya memakai satu graph tersebut.

Berkas bobotnya adalah LibreSSD300.pt, yaitu prefiks family yang diikuti satu-satunya key ukuran, "300". Kelas di baliknya adalah LibreSSD, sehingga konstruksi langsungnya adalah LibreSSD(size="300"), bukan kelas yang dinamai berdasarkan berkas.

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.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreSSD300.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreSSD300.pt data=my-dataset.yaml

Ekspor

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: didukung	Detection to TorchScript: tidak didukung	Detection to ExecuTorch: tidak didukung	Detection to TensorRT: tidak didukung	Detection to OpenVINO: tidak didukung	Detection to Paddle: tidak didukung	Detection to MNN: tidak didukung	Detection to RKNN: tidak didukung	Detection to ncnn: tidak didukung	Detection to TFLite: tidak didukung	Detection to CoreML: tidak didukung	Detection to Core AI: tidak didukung

SSD hanya dapat diekspor ke ONNX; semua format lain saat ini diblokir untuk family ini. Ekspor selalu memakai canvas native checkpoint, dan graph mengekspos head mentah SSD yang dipaketkan, bukan output non-maximum-suppression gabungan, sehingga nms=True tidak diterima saat ekspor. Backend LibreYOLO sendiri menjalankan tahap dekode dan suppression setelah graph dimuat kembali.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreSSD300.pt") # imgsz sengaja dihilangkan di sini: SSD300 di-trace pada canvas native# checkpoint, dan nilai lain akan memunculkan error sebelum ekspor dimulai.model.export(format="onnx")

CLI

libreyolo export model=LibreSSD300.pt format=onnx

Gunakan berkas hasil ekspor

from libreyolo import LibreYOLO # Factory merutekan berdasarkan sufiks berkas, sehingga artefak hasil ekspor# dimuat seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreSSD300.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
Detection
LibreSSD300.pt	300	bsd-3-clause

Setiap berkas di atas saat ini tersedia di organisasi LibreYOLO dan diunduh saat pertama kali digunakan.

Lisensi

Periksa lisensi di repositori Hugging Face untuk bobot tertentu yang diunduh. Setiap checkpoint di organisasi LibreYOLO memiliki lisensi, dan lisensinya tidak selalu sama dalam satu family. Repositori tersebut adalah sumber resmi. Ringkasan di bawah menjelaskan ketentuan yang berlaku saat halaman ini terakhir diverifikasi.

Ini adalah deskripsi lisensi yang terlibat, bukan nasihat hukum. Jika jawabannya penting secara komersial, baca sendiri lisensinya dan mintalah nasihat dari penasihat hukum Anda.

Karya asli: SSD, UNC Chapel Hill, Zoox, Google and University of Michigan
Lisensi upstream: BSD-3-Clause
Sumber upstream: github.com/pytorch/vision
Kode LibreYOLO: MIT
Bobot: BSD-3-Clause, dipublikasikan ulang di huggingface.co/LibreYOLO
Interpretasi: BSD-3-Clause is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its copyright notice and disclaimer with any copy you redistribute, and it places no obligation on your own application code. The official SSD300 COCO checkpoint carries no separate, checkpoint-specific license: LibreYOLO's mirror applies BSD-3-Clause on an explicitly disclosed implied basis, the same basis torchvision states for its own pretrained SSD300 weights. The VGG16 backbone the graph is built on traces back to Oxford's fully convolutional reduced VGGNet, released under CC BY 4.0 by Karen Simonyan and Andrew Zisserman.

Kode SSD300 LibreYOLO tidak di-porting dari rilis Caffe milik penulis makalah; kode tersebut berasal dari implementasi SSD300 BSD-3-Clause milik torchvision, dan itulah repositori yang ditautkan di atas sebagai sumber upstream. Bobot backbone VGG16 dapat ditelusuri lebih jauh ke VGGNet reduced yang sepenuhnya konvolusional dari Oxford, dirilis di bawah CC BY 4.0 oleh Karen Simonyan dan Andrew Zisserman.

Sitasi

@inproceedings{liu2016ssd,
  title = {{SSD}: Single Shot MultiBox Detector},
  author = {Liu, Wei and Anguelov, Dragomir and Erhan, Dumitru and Szegedy, Christian and Reed, Scott and Fu, Cheng-Yang and Berg, Alexander C.},
  booktitle = {ECCV},
  year = {2016}
}

Disalin dari blok sitasi penulis di github.com/weiliu89/caffe/tree/ssd#citing-ssd.