YOLOv1

YOLOv1 è il rilevatore originale del 2016 che ha dato il nome alla famiglia YOLO: una sola rete convoluzionale con una testa fully connected predice ogni box e ogni punteggio di classe in un unico passaggio, senza anchor box. LibreYOLO lo conserva come pezzo da museo, congelato e solo per inferenza.

Task: detection
Dimensioni: t, b at 448 px
Installa: pip install libreyolo
Livello di supporto: Museo, dalla v. Esemplare congelato. Solo correzioni di bug.
Origine: YOLOv1 di Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Articolo, sorgente
Licenze: Codice MIT, pesi Public domain (Darknet "YOLO LICENSE"). Uso commerciale

Installazione

YOLOv1 non richiede nessun extra oltre al pacchetto base.

bash

pip install libreyolo

Predizione

Questa famiglia è solo per inferenza: train() solleva NotImplementedError, quindi questa pagina non ha una sezione di addestramento. Predizione, validazione ed esportazione sono tutte supportate. 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("LibreYOLO1b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO1b.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. Due cose sono specifiche di questa famiglia. Il checkpoint pubblicato è addestrato su Pascal VOC (2007+2012), non su COCO, quindi box.cls indicizza le 20 categorie VOC (aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor) invece delle 80 di COCO. E la testa di rilevamento fully connected accetta una sola immagine per volta, quindi una lista di sorgenti viene percorsa in ciclo anziché eseguita come un vero batch. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Validazione

val() restituisce un dizionario di chiavi metrics/ che coprono precisione, recall, mAP 50 e mAP 50-95, misurate su un dataset nello stesso spazio di etichette in stile VOC con cui è stato addestrato il checkpoint.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO1b.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: supportato	Detection to TFLite: non supportato	Detection to CoreML: non supportato	Detection to Core AI: 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. Anche eseguire il grafo in un runtime nudo, senza LibreYOLO installato, è supportato, ma in quel caso il preprocessing e il postprocessing li devi scrivere tu.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO1b.pt format=onnxlibreyolo export model=LibreYOLO1b.pt format=tensorrt 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("LibreYOLO1b.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
LibreYOLO1b.pt	448	other

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: YOLOv1, Joseph Redmon
Licenza upstream: Public domain (Darknet "YOLO LICENSE")
Sorgente upstream: github.com/pjreddie/darknet
Codice LibreYOLO: MIT
Pesi: Public domain (Darknet "YOLO LICENSE"), ripubblicati su huggingface.co/LibreYOLO
Interpretazione: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT. One thing to know before deploying this checkpoint: it is trained on Pascal VOC 2007+2012, not COCO, so it detects and names the 20 VOC categories rather than the 80 COCO ones.