DeiT

Installazione

DeiT non richiede nessun extra oltre al pacchetto base.

pip install libreyolo

Predizione

Questa famiglia è solo per l'inferenza: train() solleva NotImplementedError, quindi questa pagina non ha una sezione sull'addestramento. Predizione, validazione ed esportazione sono invece tutte supportate. I pesi vengono scaricati da Hugging Face al primo utilizzo e restano nella cache locale. Il suffisso -cls nel nome del file è obbligatorio e seleziona il task di classificazione.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDeiTb-cls.pt")result = model(SAMPLE_IMAGE) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreDeiTb-cls.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

L'oggetto Results restituito porta un tensore probs invece di boxes; top1 e top5 indicizzano le 1.000 classi di ImageNet-1k e top1conf è il punteggio softmax della predizione principale. Ogni dimensione ha una risoluzione di input fissa, che deriva dal suo positional embedding: il preprocessing ridimensiona e ritaglia al centro fino a quella risoluzione, e passare un imgsz diverso solleva un errore invece di ricampionare in silenzio. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Validazione

val() restituisce un dizionario con l'accuratezza top-1 e top-5, misurata su un dataset organizzato nella struttura di cartelle convenzionale train/<class>/ e val/<class>/.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeiTb-cls.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreDeiTb-cls.pt data=my-dataset.yaml

Esportazione

Un artefatto esportato si ricarica con LibreYOLO() in base al suffisso del file, quindi un file .onnx o .engine si comporta come un checkpoint e restituisce lo stesso Results. È supportata anche l'esecuzione del grafo in un runtime nudo, senza LibreYOLO installato, ma in quel caso il preprocessing e il postprocessing li scrivi tu.

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

libreyolo export model=LibreDeiTb-cls.pt format=onnxlibreyolo export model=LibreDeiTb-cls.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory smista in base al suffisso del file, quindi un artefatto# esportato si carica come qualsiasi checkpoint e restituisce lo stesso# oggetto Results.model = LibreYOLO("LibreDeiTb-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenze

Citazione

@InProceedings{pmlr-v139-touvron21a,
  title =     {Training data-efficient image transformers & distillation through attention},
  author =    {Touvron, Hugo and Cord, Matthieu and Douze, Matthijs and Massa, Francisco and Sablayrolles, Alexandre and Jegou, Herve},
  booktitle = {International Conference on Machine Learning},
  pages =     {10347--10357},
  year =      {2021},
  volume =    {139},
  month =     {July}
}