YOLOv1

YOLOv1 adalah detektor asli tahun 2016 yang memberi nama pada family YOLO: satu jaringan konvolusional dengan head fully connected memprediksi setiap kotak dan skor kelas dalam satu tahap, tanpa anchor box. LibreYOLO menyediakannya sebagai pameran yang dibekukan dan khusus inferensi.

Task: detection
Ukuran: t, b at 448 px
Instalasi: pip install libreyolo
Tier dukungan: Arsip, sejak v. Pameran beku. Hanya perbaikan bug.
Proyek upstream: YOLOv1 oleh Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Makalah, sumber
Lisensi: Kode MIT, bobot Public domain (Darknet "YOLO LICENSE"). Penggunaan komersial

Instalasi

YOLOv1 tidak memerlukan komponen tambahan selain paket dasar.

bash

pip install libreyolo

Prediksi

Family ini khusus inferensi: train() memunculkan NotImplementedError, sehingga halaman ini tidak memiliki bagian Pelatihan. Prediksi, validasi, dan ekspor semuanya didukung. Bobot diunduh dari Hugging Face saat pertama kali digunakan dan disimpan dalam cache lokal.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO1b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO1b.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. Dua hal khusus untuk family ini. Checkpoint yang diterbitkan dilatih pada Pascal VOC (2007+2012), bukan COCO, sehingga box.cls mengindeks 20 kategori VOC (aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor), bukan 80 kategori COCO. Selain itu, head deteksi fully connected menerima satu gambar pada satu waktu, sehingga daftar sumber dijalankan dalam loop, bukan sebagai batch sejati. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Validasi

val() mengembalikan dictionary dengan key metrics/ yang mencakup presisi, recall, mAP 50, dan mAP 50-95, yang diukur terhadap dataset dalam ruang label bergaya VOC yang sama seperti yang digunakan untuk melatih checkpoint.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO1b.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: didukung	Detection to ExecuTorch: didukung	Detection to TensorRT: didukung	Detection to OpenVINO: didukung	Detection to Paddle: tidak didukung	Detection to MNN: tidak didukung	Detection to RKNN: tidak didukung	Detection to ncnn: didukung	Detection to TFLite: tidak didukung	Detection to CoreML: tidak didukung	Detection to Core AI: didukung

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.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO1b.pt format=onnxlibreyolo export model=LibreYOLO1b.pt format=tensorrt half=True

Gunakan berkas hasil ekspor

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("LibreYOLO1b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Setiap berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
Detection
LibreYOLO1b.pt	448	other

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: YOLOv1, Joseph Redmon
Lisensi upstream: Public domain (Darknet "YOLO LICENSE")
Sumber upstream: github.com/pjreddie/darknet
Kode LibreYOLO: MIT
Bobot: Public domain (Darknet "YOLO LICENSE"), dipublikasikan ulang di huggingface.co/LibreYOLO
Interpretasi: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT. One thing to know before deploying this checkpoint: it is trained on Pascal VOC 2007+2012, not COCO, so it detects and names the 20 VOC categories rather than the 80 COCO ones.