YOLOv4

Installazione

YOLOv4 non richiede nessun extra oltre al pacchetto base.

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.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO4b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLO4b.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 filtra la soglia di confidenza e iou la soglia di NMS, applicate dopo lo scaling dei centri scale_x_y proprio di ogni testa. 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 qualsiasi dataset nel formato con cui validi.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreYOLO4b.pt data=my-dataset.yaml

Esportazione

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. È supportata anche l'esecuzione del grafo in un runtime spoglio, senza LibreYOLO installato, ma in quel caso il preprocessing e il postprocessing tocca a te scriverli.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreYOLO4b.pt format=onnxlibreyolo export model=LibreYOLO4b.pt format=tensorrt half=True

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("LibreYOLO4b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenza

Citazione

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection}, 
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}