RetinaNet

RetinaNet è un rilevatore a stadio singolo addestrato con la focal loss, che riduce il peso dei negativi facili: così una griglia densa di anchor non ha più bisogno di uno stadio separato di proposta per restare accurata. LibreYOLO porta l'implementazione di torchvision per il rilevamento.

Task: detection
Dimensioni: r50, r50v2 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: RetinaNet di PyTorch, BSD-3-Clause. Articolo, sorgente
Licenze: Codice BSD-3-Clause, pesi BSD-3-Clause. Uso commerciale

Installazione

RetinaNet 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("LibreRetinaNetr50v2.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreRetinaNetr50v2.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 iou impostano le soglie di confidenza e di NMS; RetinaNet mantiene il passaggio di NMS upstream sulla griglia densa di anchor. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Due dimensioni, entrambe ResNet-50 con una piramide di feature: r50 è la testa originale, mentre r50v2 la sostituisce con una testa GroupNorm e un blocco P6 più ampio, alimentato dall'ultimo stadio del backbone anziché dall'output della FPN.

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("LibreRetinaNetr50v2.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreRetinaNetr50v2.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: non supportato	Detection to ExecuTorch: non supportato	Detection to TensorRT: non supportato	Detection to OpenVINO: non 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

RetinaNet esporta solo in ONNX, con dimensione del batch 1. RetinaNet ridimensiona a un input variabile che preserva le proporzioni, quindi LibreYOLO forza dynamic=True a prescindere da quello che passi, per mantenere il grafo valido con sorgenti di forme diverse. Un file .onnx esportato si ricarica tramite LibreYOLO() in base al suffisso del file e restituisce gli stessi Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreRetinaNetr50v2.pt")model.export(format="onnx", imgsz=800)

CLI

libreyolo export model=LibreRetinaNetr50v2.pt format=onnx imgsz=800

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("LibreRetinaNetr50v2.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
LibreRetinaNetr50.pt	800	bsd-3-clause
LibreRetinaNetr50v2.pt	800	bsd-3-clause

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: RetinaNet, PyTorch
Licenza upstream: BSD-3-Clause
Sorgente upstream: github.com/pytorch/vision
Codice LibreYOLO: MIT
Pesi: BSD-3-Clause, ripubblicati su huggingface.co/LibreYOLO
Interpretazione: BSD-3-Clause is a permissive license, so this code can be used in commercial and closed-source products with no obligation on your own application code. It asks only that you keep the copyright notice and disclaimer with any copy you redistribute, and it carries no patent grant. The two published checkpoints used for parity testing are not distributed in the LibreYOLO source tree: torchvision's own documentation notes that a pretrained model's terms may depend on its training data, so each Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.