YOLOv4

YOLOv4 menggabungkan backbone CSPDarknet-53, blok SPP, dan neck PANet dengan aktivasi Mish. LibreYOLO menyediakannya sebagai pameran yang dibekukan dan hanya untuk inferensi dalam ukuran tiny dan base.

Task: detection
Ukuran: t, b at 416 to 608 px
Instalasi: pip install libreyolo
Tier dukungan: Arsip, sejak v. Pameran beku. Hanya perbaikan bug.
Proyek upstream: YOLOv4 oleh Alexey Bochkovskiy, Public domain (Darknet "YOLO LICENSE"). Makalah, sumber
Lisensi: Kode MIT, bobot Public domain (Darknet "YOLO LICENSE"). Penggunaan komersial

Instalasi

YOLOv4 tidak memerlukan extra selain paket dasar.

bash

pip install libreyolo

Prediksi

Family ini hanya untuk 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("LibreYOLO4b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO4b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Objek Results yang dikembalikan sama seperti yang dikembalikan setiap family, sehingga mengganti detector hanya memerlukan perubahan satu baris. conf memfilter ambang batas confidence dan iou memfilter ambang batas NMS yang diterapkan setelah penskalaan pusat scale_x_y milik setiap head. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Validasi

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

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO4b.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 dapat dimuat kembali melalui LibreYOLO() berdasarkan akhiran berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Menjalankan graph pada runtime polos tanpa LibreYOLO juga didukung, tetapi preprocessing dan postprocessing harus ditulis sendiri.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO4b.pt format=onnxlibreyolo export model=LibreYOLO4b.pt format=tensorrt half=True

Gunakan berkas hasil ekspor

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("LibreYOLO4b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
Detection
LibreYOLO4t.pt	416	other
LibreYOLO4b.pt	608	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: YOLOv4, Alexey Bochkovskiy
Lisensi upstream: Public domain (Darknet "YOLO LICENSE")
Sumber upstream: github.com/AlexeyAB/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.

Sitasi

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection}, 
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Disalin dari blok sitasi penulis di github.com/AlexeyAB/darknet#citation.