Avvio rapido

Installazione

pip install libreyolo

Questo è tutto ciò che serve alle sezioni di predizione e addestramento qui sotto. L'esportazione in ONNX aggiunge un extra; vedi installazione per l'elenco completo.

Predizione

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Scarica il checkpoint al primo utilizzo, poi lo mette in cache in weights/.model = LibreYOLO("LibreYOLO9t.pt") # Una singola immagine restituisce un solo oggetto Results.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True produce un Results per frame invece di costruire una lista.# Sostituisci il percorso con un indice di webcam, un URL RTSP o una cartella.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO() è una factory. Legge il file, capisce a quale famiglia appartengono i pesi e restituisce il modello di quella famiglia, così passare a un rilevatore diverso è una modifica di una riga. Se passi LibreYOLO9t.pt senza directory, viene cercato weights/LibreYOLO9t.pt rispetto alla directory di lavoro e, se manca, viene scaricato lì. Vedi checkpoint e pesi per le regole di download e per come lavorare offline.

save=True scrive una copia annotata sotto runs/detect/, in una directory predict che si incrementa a ogni esecuzione. Il Results restituito porta con sé boxes, e names mappa l'indice di una classe sulla sua etichetta. Il percorso di una singola immagine restituisce un solo Results; una directory, una lista di immagini o stream=True restituiscono una lista o un generatore di Results.

Addestramento

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 è un dataset di 8 immagini incluso nella libreria. Al primo# utilizzo viene scaricato da un URL, quindi non c'è nessuno script da eseguire.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() restituisce un semplice dict, non un oggetto.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data è uno YAML di dataset. coco8.yaml è incluso nella libreria, ed è per questo che lo snippet gira così com'è; un nome non incluso viene letto come un percorso. I dataset vengono risolti sotto ~/datasets, oppure sotto LIBREYOLO_DATASETS_DIR quando quella variabile è impostata.

Un'esecuzione scrive in project/name, che per default è una directory sotto runs/train, con dentro weights/best.pt e weights/last.pt. train() restituisce un dizionario che include save_dir, best_checkpoint, last_checkpoint, le loss per epoca e le metriche di validazione per epoca. Il checkpoint addestrato si carica con LibreYOLO() esattamente come quello preaddestrato.

Non tutte le famiglie sono addestrabili. Quando una famiglia offre solo l'inferenza, train() solleva NotImplementedError e lo segnala. Concetti fondamentali spiega che cosa significa ciascun livello di supporto.

Esportazione

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() restituisce il percorso che ha scritto.path = model.export(format="torchscript")print(path) # La factory instrada in base al suffisso del file, così l'artefatto si# ricarica come un checkpoint e restituisce lo stesso oggetto Results.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript non richiede nulla oltre all'installazione di base. Gli altri target hanno ciascuno il proprio extra, e la copertura è per famiglia e per task invece che uniforme: vedi esportazione e deploy.

Gli argomenti accettati da ogni formato includono imgsz (un int, oppure una coppia altezza e larghezza), batch (default 1), half, int8 con uno YAML data per la calibrazione, dynamic (default True), simplify (default True), opset, device e output_path. Quando output_path è omesso il file viene scritto sotto weights/ con un nome derivato dal checkpoint.

Dove proseguire

• Concetti fondamentali per task, famiglie, taglie e nomi dei checkpoint.
• Checkpoint e pesi per il download automatico, l'uso offline e la sicurezza del caricamento.
• Importare pesi esistenti se hai già un checkpoint da un progetto upstream.
• Tutti i modelli per la famiglia adatta al tuo problema.
• Addestramento, Predizione ed Esportazione per i workflow completi.