Mulai cepat

Instalasi

pip install libreyolo

Itulah semua yang diperlukan bagian predict dan train di bawah. Ekspor ke ONNX menambahkan satu ekstra; lihat instalasi untuk list lengkap.

Prediksi

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Mengunduh checkpoint saat pertama digunakan, lalu menyimpannya di weights/.model = LibreYOLO("LibreYOLO9t.pt") # Satu gambar mengembalikan satu objek Results.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True menghasilkan satu Results per frame, bukan membangun list.# Ganti path dengan indeks webcam, URL RTSP, atau folder.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO() adalah factory. Factory membaca berkas, menentukan family asal bobot, dan mengembalikan model family tersebut, sehingga mengganti detektor hanya memerlukan perubahan satu baris. Memberikan LibreYOLO9t.pt tanpa direktori akan mencari weights/LibreYOLO9t.pt relatif terhadap direktori kerja dan mengunduhnya ke sana jika tidak ada. Lihat checkpoint dan bobot untuk aturan pengunduhan dan cara bekerja offline.

save=True menulis salinan beranotasi di bawah runs/detect/, dalam direktori predict yang bertambah per run. Results yang dikembalikan memiliki boxes, dan names memetakan indeks kelas ke labelnya. Path satu gambar mengembalikan satu Results; direktori, list gambar, atau stream=True mengembalikan list atau generator.

Pelatihan

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 adalah dataset 8 gambar yang disertakan bersama library. Dataset# diunduh dari URL saat pertama digunakan, sehingga tidak ada script yang dijalankan.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() mengembalikan dict biasa, bukan objek.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data adalah YAML dataset. coco8.yaml disertakan bersama library, sehingga snippet dapat langsung dijalankan; nama yang tidak disertakan dibaca sebagai path. Dataset diselesaikan di bawah ~/datasets, atau di bawah LIBREYOLO_DATASETS_DIR jika variabel tersebut ditetapkan.

Run menulis ke project/name, dengan default direktori di bawah runs/train, serta weights/best.pt dan weights/last.pt di dalamnya. train() mengembalikan dictionary yang memuat save_dir, best_checkpoint, last_checkpoint, loss per epoch, dan metrik validasi per epoch. Checkpoint hasil pelatihan dimuat melalui LibreYOLO() sama seperti checkpoint pretrained.

Tidak setiap family dapat dilatih. Jika family hanya mendukung inferensi, train() memunculkan NotImplementedError dan menyatakannya. Konsep inti menjelaskan arti setiap tier dukungan.

Ekspor

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # ekspor() mengembalikan path yang ditulis.path = model.export(format="torchscript")print(path) # Factory mengarahkan berdasarkan suffix berkas, sehingga artefak dimuat kembali# seperti checkpoint dan mengembalikan objek Results yang sama.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript tidak memerlukan apa pun selain instalasi dasar. Target lain masing-masing memiliki ekstra sendiri, dan cakupannya berlaku per family serta per task, bukan seragam: lihat ekspor dan deployment.

Argumen yang diterima setiap format mencakup imgsz (int atau pasangan tinggi dan lebar), batch (default 1), half, int8 dengan YAML data untuk kalibrasi, dynamic (default True), simplify (default True), opset, device, dan output_path. Jika output_path tidak diberikan, berkas ditulis di bawah weights/ dengan nama yang diturunkan dari checkpoint.

Langkah berikutnya

• Konsep inti untuk task, family, ukuran, dan nama checkpoint.
• Checkpoint dan bobot untuk pengunduhan otomatis, penggunaan offline, dan keamanan pemuatan.
• Impor bobot yang ada jika sudah memiliki checkpoint dari project upstream.
• Semua model untuk memilih family yang sesuai masalah.
• Pelatihan, Prediksi, dan Ekspor untuk alur kerja lengkap.