Riset dan Sains

Dibuat untuk Penemuan

Basis kode yang dirancang untuk peneliti, bukan sekadar pengguna. Ubah sebebasnya, telusuri sedalam mungkin, dan publikasikan tanpa membayar biaya apa pun.

Tidak Perlu "Lisensi Riset"

Sebagian framework menarik biaya terpisah untuk lisensi "riset" atau "sains" hanya agar Anda boleh memeriksa kodenya tanpa merilis hasil kerja Anda. LibreYOLO tidak begitu.

"Lisensi Sains" pada Umumnya

  • Bayar agar riset tetap privat
  • Biaya untuk R&D komersial
  • Tingkatan lisensi yang rumit
  • Tinjauan hukum sebelum publikasi

LibreYOLO (MIT)

  • Teliti sebebasnya, simpan tetap privat
  • Nol biaya untuk semua kasus penggunaan
  • Satu lisensi sederhana: MIT
  • Publikasikan tanpa kekhawatiran hukum
Explainability Bawaan

Lihat Isi Kotak Hitam

Alat bawaan untuk interpretability dan explainability. Tanpa dependensi eksternal, tanpa setup rumit, cukup flag dan pemanggilan fungsi.

Ekstraksi Feature Map

Satu flag. Hanya itu yang diperlukan untuk menyimpan aktivasi antara dari setiap lapisan. Cocok untuk memahami apa yang "dilihat" model Anda di tiap tahap.

feature_maps.py
from libreyolo import LibreYOLO

# Enable feature map saving in constructor
model = LibreYOLO(
    model_path="LibreYOLO11m.pt",
    size="m",
    save_feature_maps=True
)

# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")

# Saved to: runs/feature_maps/
backbone_p1.png
1/11
Feature map backbone P1

Visualisasi CAM

Eksperimental

7 metode Class Activation Map bawaan. Panggil model.explain() untuk menghasilkan heatmap yang menunjukkan apa yang menjadi fokus model Anda. Fitur ini eksperimental dan hasilnya bisa berbeda-beda.

explainability.py
from libreyolo import LibreYOLO

model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")

# One-line CAM visualization
result = model.explain(
    image="parkour.jpg",
    method="gradcam",
    target_layer="neck_c2f22",
    save=True
)

# Returns heatmap and overlay
print(result["heatmap"].shape)

Dirancang untuk Dimodifikasi

Basis kode ditulis agar mudah dibaca dan diubah. Ingin menguji backbone baru? Bereksperimen dengan mekanisme attention buatan sendiri? Menambahkan fungsi loss yang baru? Silakan.

yolov11_custom.py
# Your modified architecture

from libreyolo.models.yolov11 import YOLOv11

class YOLOv11Custom(YOLOv11):
    def __init__(self):
        super().__init__()
        # Swap out the backbone
        self.backbone = MyCustomBackbone()

    def forward(self, x):
        features = self.backbone(x)
        return self.head(self.neck(features))

# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")

Mulai Riset Anda Hari Ini

Tanpa biaya lisensi. Tanpa paywall. Tanpa larangan menyimpan hasil kerja Anda secara privat. Cukup pasang dan mulai jelajahi.

$ pip install libreyolo
Lihat Dokumentasi