FOMO

Installazione

FOMO non richiede nessun extra oltre al pacchetto base.

pip install libreyolo

Predizione

A differenza di ogni altra famiglia di questo sito, i pesi di LibreFOMO non si scaricano da soli: LibreYOLO("LibreFOMOs-point.pt") cerca quel file su disco e solleva un ValueError che lo nomina, invece di prenderlo da Hugging Face. Scarica prima un checkpoint dall'organizzazione LibreYOLO e caricalo indicando il percorso locale, oppure addestrane uno tuo (vedi Addestramento sotto).

from libreyolo import LibreYOLO, SAMPLE_IMAGE # I pesi di LibreFOMO non si scaricano da soli (vedi Checkpoint sotto).# Puntalo a un checkpoint che hai già scaricato in locale.model = LibreYOLO("./LibreFOMOs-point.pt")result = model(SAMPLE_IMAGE, save=True) for point in result.points:    print(point.cls, point.conf, point.xy)

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

Il risultato porta un payload points invece di boxes: ogni riga è x, y, classe, confidenza, disponibile come result.points.data oppure attraverso gli accessor .xy, .xyn, .cls e .conf. Non c'è nessuna soglia iou da impostare, perché non ci sono box da sopprimere; predict(..., nms_radius=1) controlla di quante celle della griglia devono essere distanti due rilevamenti perché sopravvivano entrambi, e il nome del file deve portare il suffisso di task -point di FOMO perché il loader lo riconosca. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Tre taglie, s, m e l, usano backbone in stile MobileNetV2 via via più larghi, a risoluzioni di input fisse corrispondentemente maggiori, ciascuno dietro un'unica testa di classificazione 1x1. Questa famiglia qui non ha nessuna tabella di benchmark; la dimensione del file del checkpoint nella tabella sotto è il segnale per taglia più chiaro tra quelli pubblicati finora.

Addestramento

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.train(    data="my-dataset.yaml",    epochs=40, batch=32, lr0=3e-4,)

# imgsz va passato: la CLI lo imposta a 640 di default, e il# checkpoint s accetta solo i suoi 96 nativi.libreyolo train model=./LibreFOMOs-point.pt data=my-dataset.yaml imgsz=96 epochs=40 batch=32 lr0=3e-4

imgsz non è una scelta libera: di default vale la risoluzione nativa del checkpoint caricato, e passare un valore diverso solleva un ValueError che nomina la dimensione attesa. Quelle dimensioni sono 96 per s, 192 per m e 224 per l. La CLI imposta imgsz a 640 di default, quindi un comando libreyolo train deve impostarlo esplicitamente perché corrisponda al checkpoint.

Se non tocchi altro, il trainer esegue 40 epoche con batch 32 usando Adam a lr0=3e-4, senza weight decay e con la classe di primo piano pesata 100x rispetto allo sfondo nella loss di cross-entropy per cella, dato che in una scena tipica quasi ogni cella della griglia è sfondo. EMA e precisione mista sono entrambe disattivate di default, e non viene applicata nessuna delle augmentation geometriche o di colore usate altrove in LibreYOLO: mosaic, mixup, jitter HSV, flip, rotazione, traslazione e shear sono tutti a zero.

È il percorso con cui sono stati addestrati i checkpoint LibreFOMO pubblicati, da zero su COCO.

Vedi addestramento per dataset e logger.

Validazione

val() instrada verso un validatore a livello di griglia costruito per questa famiglia. Oltre alle chiavi metrics/precision, metrics/recall e metrics/mAP@ basate sull'abbinamento dei punti e condivise con gli altri task point, esplora soglie di confidenza e valori di nms_radius e pubblica la combinazione con l'F1 migliore sotto metrics/grid_F1, metrics/grid_precision, metrics/grid_recall e metrics/grid_mean_distance, più la soglia e il raggio che l'hanno prodotta sotto decode/threshold e decode/nms_radius.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/grid_F1"])print(metrics["metrics/grid_precision"], metrics["metrics/grid_recall"])

libreyolo val model=./LibreFOMOs-point.pt data=my-dataset.yaml

Esportazione

Un artefatto esportato si ricarica attraverso 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 allora il preprocessing e il postprocessing tocca scriverli a te.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=./LibreFOMOs-point.pt format=onnx

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("./LibreFOMOs-point.onnx")result = model(SAMPLE_IMAGE) print(result.points.xy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia. Nessuno di questi si scarica automaticamente: prendi il file che ti serve dalla pagina Hugging Face collegata e passa il suo percorso locale a LibreYOLO().

Licenza