YOLOv4

YOLOv4はCSPDarknet-53バックボーン、SPPブロック、PANetネックをMish活性化関数と組み合わせます。LibreYOLOはtinyとbaseのサイズで、凍結された推論専用の展示物として提供します。

タスク: detection
サイズ: t, b at 416 to 608 px
インストール: pip install libreyolo
サポートティア: ミュージアム、v以降。凍結された展示です。バグ修正のみ行います。
アップストリーム: Alexey BochkovskiyのYOLOv4、Public domain (Darknet "YOLO LICENSE")。論文、ソース
ライセンス: コード：MIT、重み：Public domain (Darknet "YOLO LICENSE")。商用利用

インストール

YOLOv4には基本パッケージ以外の追加パッケージは不要です。

bash

pip install libreyolo

推論

このファミリーは推論専用です。train() は NotImplementedError を発生させるため、このページに「学習」セクションはありません。推論、検証、エクスポートにはすべて対応します。重みは初回使用時にHugging Faceからダウンロードされ、ローカルにキャッシュされます。

Python

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)

CLI

libreyolo predict model=LibreYOLO4b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

返される Results オブジェクトはすべてのファミリーで共通のため、別の検出器への置き換えは1行の変更で済みます。conf は信頼度のしきい値、iou はNMSのしきい値として、各ヘッド独自の scale_x_y による中心スケーリングの後に適用されます。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。

検証

val() は metrics/ キーの辞書を返します。内容は適合率、再現率、mAP 50、mAP 50-95で、検証に使用する形式の任意のデータセットに対して測定されます。

Python

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

CLI

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

エクスポート

タスク	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX：対応	Detection to TorchScript：対応	Detection to ExecuTorch：対応	Detection to TensorRT：対応	Detection to OpenVINO：対応	Detection to Paddle：非対応	Detection to MNN：非対応	Detection to RKNN：非対応	Detection to ncnn：対応	Detection to TFLite：非対応	Detection to CoreML：非対応	Detection to Core AI：対応

エクスポート済み成果物はファイル接尾辞によって LibreYOLO() から再度読み込まれるため、.onnx または .engine ファイルはチェックポイントのように動作し、同じ Results を返します。LibreYOLOをインストールせず、素のランタイムでグラフを実行することもできますが、その場合は前処理と後処理を自分で実装します。

Python

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

CLI

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

エクスポートしたファイルを使う

from libreyolo import LibreYOLO, SAMPLE_IMAGE # ファクトリーはファイル接尾辞で振り分けるためエクスポート済み成果物も# チェックポイントと同様に読み込まれて同じResultsオブジェクトを返すmodel = LibreYOLO("LibreYOLO4b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

チェックポイント

このファミリーで公開されているすべての重みファイルです。

ファイル	入力（px）	重みのライセンス
Detection
LibreYOLO4t.pt	416	other
LibreYOLO4b.pt	608	other

上記のすべてのファイルは現在LibreYOLO orgにあり、初回使用時にダウンロードされます。

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: YOLOv4, Alexey Bochkovskiy
アップストリームのライセンス: Public domain (Darknet "YOLO LICENSE")
アップストリームのソース: github.com/AlexeyAB/darknet
LibreYOLOのコード: MIT
重み: Public domain (Darknet "YOLO LICENSE")、huggingface.co/LibreYOLOで再公開
解釈: 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.

引用

@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}
}

著者によるgithub.com/AlexeyAB/darknet#citationの引用ブロックからコピーしています。