LocateAnything

LocateAnythingはNVIDIAが公開した視覚言語グラウンディングモデルであり、座標トークンを1つずつ生成するのではなく、バウンディングボックスと点を並列にデコードします。LibreYOLOはこれをオープンボキャブラリ検出器および点指示器としてラップします。任意のテキストラベル一覧がクラス集合になり、固定ヘッドもファインチューニングも不要です。

タスク: detection, point
サイズ: 3b at 2500 px
インストール: pip install libreyolo
サポートティア: 姉妹ティア、v以降。独自のファクトリと契約を持つ、独立した製品インターフェースです。
アップストリーム: NVIDIAのLocateAnything、NVIDIA License (non-commercial)。論文、ソース
ライセンス: コード：MIT、重み：NVIDIA License (non-commercial)。商用利用

インストール

LocateAnythingには vlm 追加パッケージが必要です。このパッケージは transformers に加え、Hugging Faceのリモートコードが読み込み時にインポートする decord、lmdb、peft パッケージを導入します。

bash

pip install "libreyolo[vlm]"

推論

LibreLocateAnything は .pt チェックポイントではなくPythonクラスです。LibreYOLO() ファクトリーから読み込むことはできず、libreyolo CLIもこれを解決しません。LibreVLM(...) ファクトリー（from libreyolo import LibreVLM）も、たとえば LibreVLM("locate-anything") という別名でこのファミリーに到達できます。これは下で使用するクラスを構築します。読み込み時にはNVIDIA独自のリモートモデルコードをHugging Faceからダウンロードして実行します。そのため、LibreYOLOは変更される可能性がある main ブランチではなく、1つの固定コミットリビジョンにダウンロードを固定し、最初のダウンロード前に1回だけライセンス通知を記録します。

Python

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # オープンボキャブラリ 固定クラスヘッドではなく任意の単語を使用可能# 再設定するまでその後のすべてのpredict()/track()呼び出しで維持model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

点プロンプト

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE # task="point"ではボックスではなく一致した物体ごとに1つの点を返す# 読み込み済みモデルのタスクはmodel.set_task("point")で切り替えmodel = LibreLocateAnything(size="3b", task="point")model.set_classes(["the person closest to the camera"])result = model(SAMPLE_IMAGE, save=True) for pt in result.points:    print(pt.cls, pt.conf, pt.xy)

未処理のチャット

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # 検出用の簡易機能の下にある脱出口 自由形式の質問や数え上げなど# ボックスラッパーが扱わない任意のプロンプトに対応text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes（detect タスク）と result.points（point タスク）には、他のファミリーと同様に解析済み出力が含まれます。信頼度は仮の値です。LocateAnythingはボックスごとのスコアを出力しないため、すべての検出結果に同じ固定信頼度が設定されます。conf= はその固定値未満の行を除外するだけで、順位付けには使用できません。set_classes() を省略すると、ボキャブラリのデフォルトはCOCO-80の名前になります。ソース、ストリーミング、結果の処理については、推論を参照してください。

バリアント

公開サイズは3bの1つです。2つのタスクが同じ重みを共有します。detect（デフォルト）はボックスを返し、task="point" は代わりに一致した物体ごとに1つの点を result.points で返します。読み込み済みモデルで両者を切り替えるには model.set_task("point") を使用します。LibreYOLOのベンチマークハーネスはこのファミリーを測定していないため、比較できる公開精度値はありません。

LibreYOLOはこのファミリーを推論専用として公開します。train()、val()、export() はすべて NotImplementedError を発生させます。代わりにアップストリームでファインチューニングし、その結果を読み込んでください。仮信頼度ではCOCO mAPが誤解を招くため、データセット検証は省略されています。また、トレースする状態辞書を持たない生成モデルのエクスポートは対象外です。

ライセンス

ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。

これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。

原著作物: LocateAnything, NVIDIA
アップストリームのライセンス: NVIDIA License (non-commercial)
アップストリームのソース: github.com/NVlabs/Eagle/tree/main/Embodied
LibreYOLOのコード: MIT
重み: NVIDIA License (non-commercial)、著者が配布。LibreYOLOではホストもミラーもしていません。
解釈: The NVIDIA License permits use, reproduction and modification, but Section 3.3 restricts the Work and any derivative to non-commercial use, research or evaluation only, for anyone other than NVIDIA and its affiliates: there is no revenue threshold or paid exception. Redistribution must keep a complete copy of the license and every attribution notice. LocateAnything-3B also composes two other licensed components: a Qwen2.5-3B-Instruct language backbone under the Qwen Research License, and a MoonViT-SO-400M vision encoder under MIT. Because loading this model requires trusting NVIDIA's own Hugging Face remote code, LibreYOLO pins the exact commit revision it downloads rather than the mutable main branch, and logs a one-time notice before that download. LibreYOLO does not host, mirror or redistribute any of it.

NVIDIA Licenseは使用、複製、変更を許可しますが、NVIDIAとその関連会社以外の利用者について、モデルとその派生物を非商用利用、研究、評価だけに制限します。収益のしきい値や有償の例外はありません。LocateAnything-3Bは別途ライセンスされる2つのコンポーネントも組み合わせています。言語バックボーンのQwen2.5-3B-InstructはQwen Research License、視覚エンコーダーのMoonViT-SO-400MはMITです。LibreYOLOはこれらのいずれもホスト、ミラー、再配布しません。LibreLocateAnything は初回実行時に、固定された1つのコミットのHugging Face上の nvidia/LocateAnything-3B から、重みと必要なリモートコードを直接ダウンロードします。

引用

@article{wang2025locateanything,
  title   = {LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding},
  author  = {Shihao Wang and Shilong Liu and Yuanguo Kuang and Xinyu Wei and
             Yangzhou Liu and Zhiqi Li and Yunze Man and Guo Chen and
             Andrew Tao and Guilin Liu and Jan Kautz and Lei Zhang and Zhiding Yu},
  journal = {arXiv:2605.27365},
  year    = {2026},
}

著者によるgithub.com/NVlabs/Eagle/blob/main/Embodied/README.md#-citationの引用ブロックからコピーしています。