DETR

DETR è il transformer di rilevamento originale: predice un insieme fisso di oggetti con un decoder transformer accoppiato dall'algoritmo ungherese, invece di usare anchor o una griglia densa. LibreYOLO include quattro dimensioni per il rilevamento, solo per inferenza.

Task: detection
Dimensioni: r50, r50dc5, r101, r101dc5 at 800 px
Installa: pip install libreyolo
Livello di supporto: Solo inferenza, dalla v. Solo predizione, validazione ed esportazione. Le funzionalità di addestramento non si applicano.
Origine: DETR di Meta AI (FAIR), Apache-2.0. Articolo, sorgente
Licenze: Codice Apache-2.0, pesi Apache-2.0. Uso commerciale

Installazione

DETR non richiede nessun extra opzionale. Tutto quello che importa è nell'installazione base.

bash

pip install libreyolo

Predizione

I pesi si scaricano da Hugging Face al primo utilizzo e restano in cache in locale.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDETRr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreDETRr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

L'oggetto Results restituito è lo stesso che restituisce ogni famiglia, quindi passare a un rilevatore diverso è una modifica di una riga. conf e max_det filtrano la selezione delle query; iou è accettato per parità di API ma non ha effetto, perché il decoder predice un insieme completo e non ha nessun passaggio di NMS. Vedi predizione per sorgenti, streaming e gestione dei risultati.

In LibreYOLO, DETR è solo per inferenza. Il progetto upstream addestra per 500 epoche con matching ungherese; quella ricetta non è implementata qui, quindi train() solleva NotImplementedError.

Varianti

Quattro checkpoint combinano due profondità di backbone, ResNet-50 o ResNet-101, con uno stadio C5 dilatato opzionale: le varianti DC5 mantengono l'ultimo stadio del backbone a piena risoluzione invece di ridurla ulteriormente, quindi il decoder legge una feature map più fine a partire dalla stessa dimensione di input. Tutte e quattro condividono 100 object query apprese e un encoder-decoder transformer a sei layer, e girano tutte alla stessa risoluzione di input.

Validazione

val() restituisce un dizionario di chiavi metrics/ che coprono precisione, recall, mAP 50 e mAP 50-95, misurate su qualsiasi dataset nel formato con cui hai addestrato.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt") # val() restituisce un dict semplice, non un oggettometrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

CLI

libreyolo val model=LibreDETRr50.pt data=my-dataset.yaml

Esportazione

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: supportato	Detection to TorchScript: supportato	Detection to ExecuTorch: supportato	Detection to TensorRT: supportato	Detection to OpenVINO: supportato	Detection to Paddle: non supportato	Detection to MNN: non supportato	Detection to RKNN: non supportato	Detection to ncnn: non supportato	Detection to TFLite: non supportato	Detection to CoreML: non supportato	Detection to Core AI: non supportato

Un artefatto esportato si ricarica tramite LibreYOLO() in base al suffisso del file, quindi un file .onnx o .engine si comporta come un checkpoint e restituisce lo stesso Results. Esportazione elenca gli argomenti che ogni formato accetta.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt")model.export(format="onnx", imgsz=800)model.export(format="tensorrt", imgsz=800, half=True)

CLI

libreyolo export model=LibreDETRr50.pt format=onnx imgsz=800libreyolo export model=LibreDETRr50.pt format=tensorrt imgsz=800 half=True

Usare il file esportato

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La factory instrada in base al suffisso del file, quindi un artefatto# esportato si carica come qualsiasi checkpoint e restituisce lo stesso# oggetto Results.model = LibreYOLO("LibreDETRr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

File	Ingresso (px)	Licenza dei pesi
Detection
LibreDETRr50dc5.pt	800	apache-2.0
LibreDETRr50.pt	800	apache-2.0
LibreDETRr101dc5.pt	800	apache-2.0
LibreDETRr101.pt	800	apache-2.0

Oggi tutti i file elencati sopra sono presenti nell<link>organizzazione LibreYOLO</link> e vengono scaricati al primo utilizzo.

Licenza

Controlla la licenza nel repository Hugging Face degli specifici pesi che scarichi. Ogni checkpoint nell<link>organizzazione LibreYOLO</link> ne include una e non è sempre la stessa per tutta la famiglia. Quel repository è la fonte autorevole; il riepilogo seguente descrive le condizioni applicabili al momento dellultima verifica di questa pagina.

Questa è una descrizione delle licenze coinvolte, non una consulenza legale. Se la risposta è importante a fini commerciali, leggi personalmente le licenze e chiedi una consulenza indipendente.

Lavoro originale: DETR, Meta AI (FAIR)
Licenza upstream: Apache-2.0
Sorgente upstream: github.com/facebookresearch/detr
Codice LibreYOLO: MIT
Pesi: Apache-2.0, ripubblicati su huggingface.co/LibreYOLO
Interpretazione: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code, and weights you train yourself on your own data are yours. The four checkpoints are the official releases linked from the Apache-2.0 repository's model zoo, and the official Hugging Face DETR card independently declares the same license.