EfficientNetV2

Installazione

EfficientNetV2 non richiede nessun extra opzionale. Tutto ciò che importa è già nell'installazione di base.

pip install libreyolo

Predizione

I pesi vengono scaricati da Hugging Face al primo utilizzo e restano nella cache locale.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreEfficientNetV2b0-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreEfficientNetV2b0-cls.pt source=cat.jpg save=True

L'oggetto Results restituito è lo stesso che restituisce ogni famiglia, quindi passare a un altro modello è una modifica di una riga. Un classificatore non porta con sé box né maschere: result.probs contiene la predizione sull'intera immagine, con top1, top5, top1conf e top5conf. conf, iou e max_det sono accettati per parità di API ma non hanno effetto, dato che su un singolo vettore di probabilità non c'è nulla da sogliare o sopprimere. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Quattro dimensioni, da b0 a b3, ognuna valutata alla propria risoluzione e con il proprio rapporto di crop invece di condividere un'unica dimensione di input in tutta la famiglia. Scegliere una dimensione è un semplice scambio tra numero di parametri e accuratezza. Il task è fisso: ogni dimensione copre solo la classificazione. Il nome del file dei pesi termina in -cls.pt per tutte le dimensioni, ed è quel suffisso che la factory legge per smistare verso questa famiglia; non serve nessun argomento task=.

Addestramento

Il fine-tuning parte dal backbone ImageNet pubblicato e ricostruisce automaticamente il layer finale del classificatore sul numero di classi del dataset di destinazione. Se non lo imposti esplicitamente, imgsz assume come valore predefinito la risoluzione di valutazione propria di quella dimensione.

from libreyolo import LibreYOLO model = LibreYOLO("LibreEfficientNetV2b0-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreEfficientNetV2b0-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreEfficientNetV2b0-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Se non tocchi nulla, il trainer esegue 100 epoche a lr0=1e-3 con AdamW, un batch di 64 ed early stopping dopo 50 epoche senza miglioramenti. data accetta la radice di un dataset (train/ e val/, una cartella per classe), un nome breve noto come imagenette160, oppure l'URL di un .zip. Qui lora=True non è supportato; passarlo solleva un errore, dato che in LibreYOLO LoRA agisce sui componenti transformer con layer nn.Linear e i blocchi MBConv di questa famiglia non ne hanno.

Vedi addestramento per dataset, data augmentation, multi-GPU e logger.

Validazione

val() restituisce un dizionario di chiavi metrics/. Per la classificazione sono l'accuratezza top-1 e top-5 sullo split di validazione.

from libreyolo import LibreYOLO model = LibreYOLO("LibreEfficientNetV2b0-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreEfficientNetV2b0-cls.pt data=imagenette160

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. Esportazione elenca gli argomenti accettati da ogni formato e gli extra che alcuni di essi aggiungono.

from libreyolo import LibreYOLO model = LibreYOLO("LibreEfficientNetV2b0-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreEfficientNetV2b0-cls.pt format=onnxlibreyolo export model=LibreEfficientNetV2b0-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("LibreEfficientNetV2b0-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenze