PicoDet

Installazione

PicoDet non richiede nessun extra oltre al pacchetto 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("LibrePICODETs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

L'oggetto Results restituito è quello che restituisce ogni famiglia, quindi passare a un rilevatore diverso è una modifica di una riga. conf imposta la soglia di confidenza e iou la soglia di NMS. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Tre dimensioni, ciascuna alla propria risoluzione di input fissa: s la più piccola e l la più grande. La risoluzione cresce con la dimensione, quindi i checkpoint più grandi sono anche più costosi da eseguire per immagine, oltre a portare più parametri.

Addestramento

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.train(    data="my-dataset.yaml",    epochs=300, batch=16, lr0=0.01,)

# Vale la pena impostare imgsz: la CLI lo porta a 640 di default, mentre# il checkpoint s è nativo a 320.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

I componenti della loss e l'assigner seguono la ricetta upstream: VFL, DFL, GIoU e SimOTA, con pesatura per qualità della classificazione e target VFL a IoU dinamico. L'inferenza è bit-equivalente a quella upstream sullo stesso checkpoint.

Quello che non è stato verificato, secondo la docstring di train() stessa: la convergenza sull'intero dataset, il comportamento multi-GPU e qualsiasi data augmentation oltre al flip orizzontale. Anche il checkpoint s alla sua risoluzione nativa di 320 non ha superato in modo affidabile il minimo di accuratezza di LibreYOLO sulla fixture da 30 immagini e due classi con cui la libreria testa i fine-tuning piccoli. Quella dimensione si adatta meglio alla scala di COCO completo.

train() accetta anche un argomento pretrained, ma il valore non viene mai letto dentro il metodo: l'addestramento continua sempre dai pesi con cui il modello è stato costruito, quindi pretrained=False non reinizializza la rete. Se lasci imgsz non impostato in Python, prende la risoluzione nativa del checkpoint caricato, 320 per s, 416 per m e 640 per l. La CLI invia sempre un imgsz, con 640 di default, quindi lì va impostato per farlo combaciare con il checkpoint.

Se non tocchi altro, il trainer esegue 300 epoche con SGD a lr0=0.01, momentum 0.9, weight decay 4e-5 e un warmup di 1 epoca su uno schedule cosine. Il flip orizzontale è l'unica data augmentation applicata.

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

Validazione

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

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibrePICODETs.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 allora il preprocessing e il postprocessing tocca scriverli a te.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.export(format="onnx", imgsz=320)model.export(format="tensorrt", imgsz=320, half=True)

libreyolo export model=LibrePICODETs.pt format=onnx imgsz=320libreyolo export model=LibrePICODETs.pt format=tensorrt imgsz=320 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("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenze

Citazione

@misc{yu2021pppicodet,
      title={PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
      author={Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
      year={2021},
      eprint={2111.00902},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}