YOLOX

Installazione

YOLOX non richiede nessun extra oltre al pacchetto base.

pip install libreyolo

Predizione

I pesi vengono scaricati da Hugging Face al primo utilizzo e restano in cache in locale.

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

libreyolo predict model=LibreYOLOXs.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 imposta la soglia di confidenza e iou la soglia NMS applicata alle tre scale di predizione disaccoppiate. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Sei dimensioni condividono lo stesso backbone CSP e lo stesso neck PAFPN. Le due più piccole, n e t, girano a una risoluzione di input fissa più piccola rispetto alle altre quattro; la tabella di benchmark qui sotto riporta la cifra esatta per ciascuna.

Addestramento

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Se non tocchi nient'altro, il trainer esegue 300 epoche a lr0=0.01 con SGD momentum 0.9, un warmup di 5 epoche e le augmentation mosaic e mixup disattivate nelle ultime 15 epoche. train() accetta anche un argomento pretrained, ma il valore non viene mai letto dentro il metodo: l'addestramento riparte sempre dai pesi con cui il modello è stato costruito, quindi pretrained=False non reinizializza la rete.

imgsz come predefinito prende un valore fisso dalla configurazione base di addestramento, non la risoluzione nativa del checkpoint caricato. Questo riguarda in particolare i checkpoint n e t: continuare ad addestrare uno dei due senza impostare imgsz esplicitamente lo porta al valore predefinito più grande invece che alla dimensione più piccola con cui è stato pubblicato.

Vedi addestramento per dataset, 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 con cui hai addestrato.

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

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

# Il file yaml di COCO incluso porta uno script di download integrato,# quindi serve un permesso esplicito se il dataset non è già in locale.libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

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 gli stessi Results. Anche eseguire il grafo in un runtime nudo, senza LibreYOLO installato, è supportato, ma in quel caso preprocessing e postprocessing li scrivi tu. Un'esportazione CoreML può integrare l'NMS nel grafo con nms=True; YOLOX e YOLOv9 sono le uniche due famiglie per cui quel flag al momento è accettato.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenze

Citazione

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}