AlexNet

AlexNet은 ILSVRC 2012에서 우승하고 컴퓨터 비전의 딥러닝 시대를 여는 데 기여한 컨볼루션 네트워크입니다. LibreYOLO는 이미지 분류를 위해 아키텍처의 단일 타워 후기 개정판을 제공합니다.

작업: classify
크기: b at 224 px
설치: pip install libreyolo
지원 티어: 추론 전용, v부터 지원. 예측, 검증, 내보내기만 지원합니다. 학습 기능은 적용되지 않습니다.
업스트림: University of Toronto의 AlexNet, BSD-3-Clause. 논문, 소스
라이선스: 코드 BSD-3-Clause, 가중치 BSD-3-Clause. 상업적 사용

설치

AlexNet에는 선택적 extra가 필요하지 않습니다. 가져오는 모든 항목이 기본 설치에 포함됩니다.

bash

pip install libreyolo

예측

가중치는 처음 사용할 때 Hugging Face에서 내려받아 로컬에 캐시됩니다.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreAlexNetb-cls.pt")result = model(SAMPLE_IMAGE, save=True) probs = result.probsprint(probs.top1, probs.top1conf)print(probs.top5, probs.top5conf)

CLI

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

분류기는 result.boxes 대신 result.probs를 반환합니다. top1과 top5는 클래스 인덱스를, top1conf와 top5conf는 해당 신뢰도를 제공합니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

크기는 하나입니다. 제공되는 그래프는 torchvision이 출시한 후기 단일 타워 개정판으로, 첫 레이어 필터가 64개이며 로컬 응답 정규화가 없습니다. 원본 2012년 2-GPU 아키텍처가 아닙니다. LibreYOLO는 이 계열을 추론 전용으로 제공합니다. 예측, ImageNet 방식 top-1/top-5 검증, 내보내기를 지원하며 파인튜닝은 구현되지 않았습니다.

검증

val()은 ImageFolder 방식 분할(train/ 및 val/ 하위 폴더와 클래스별 폴더가 있는 디렉터리)을 대상으로 실행하고 top-1 및 top-5 정확도를 반환합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreAlexNetb-cls.pt") # data는 데이터셋 YAML이 아니라 train/ 및 val/ 클래스 폴더 분할이 있는# 디렉터리 루트(ImageFolder 레이아웃)입니다.metrics = model.val(data="imagenet-1k/") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

CLI

libreyolo val model=LibreAlexNetb-cls.pt data=imagenet-1k/

내보내기

작업	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
classify	classify to ONNX: 지원함	classify to TorchScript: 지원함	classify to ExecuTorch: 지원함	classify to TensorRT: 지원함	classify to OpenVINO: 지원함	classify to Paddle: 지원하지 않음	classify to MNN: 지원하지 않음	classify to RKNN: 지원하지 않음	classify to ncnn: 지원함	classify to TFLite: 지원하지 않음	classify to CoreML: 지원하지 않음	classify to Core AI: 지원하지 않음

내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러오므로 .onnx 또는 .engine 파일이 체크포인트처럼 동작하며 동일한 Results를 반환합니다. 내보내기에는 모든 형식이 허용하는 인수와 일부 형식이 추가하는 extra가 나열되어 있습니다.

Python

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

CLI

libreyolo export model=LibreAlexNetb-cls.pt format=onnxlibreyolo export model=LibreAlexNetb-cls.pt format=tensorrt half=True

내보낸 파일 사용하기

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 팩토리는 파일 접미사로 라우팅하므로 내보낸 아티팩트도# 체크포인트처럼 불러오며 동일한 Results 객체를 반환합니다.model = LibreYOLO("LibreAlexNetb-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

체크포인트

이 계열에서 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
classify
LibreAlexNetb-cls.pt	224	bsd-3-clause

위의 모든 파일은 현재 LibreYOLO 조직에 있으며 처음 사용할 때 내려받습니다.

라이선스

내려받는 특정 가중치의 Hugging Face 저장소에서 라이선스를 확인하십시오. LibreYOLO 조직의 모든 체크포인트에는 라이선스가 있으며 한 계열 안에서도 항상 같지는 않습니다. 해당 저장소가 신뢰할 수 있는 기준입니다. 아래 요약은 이 페이지를 마지막으로 검증했을 때 적용된 내용을 설명합니다.

관련 라이선스에 관한 설명이며 법률 자문이 아닙니다. 상업적으로 중요한 사안이라면 라이선스를 직접 읽고 별도의 법률 자문을 받으십시오.

원작: AlexNet, University of Toronto
업스트림 라이선스: BSD-3-Clause
업스트림 소스: github.com/pytorch/vision
LibreYOLO 코드: MIT
가중치: BSD-3-Clause, huggingface.co/LibreYOLO에 다시 게시됨
해석: BSD-3-Clause is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, the list of conditions and the disclaimer with any copy you redistribute, and it forbids using the contributors' names to endorse a derived product without permission; it carries no explicit patent grant. LibreYOLO's code and the shipped checkpoint are both derived from torchvision's single-tower AlexNet, the later "one weird trick" graph, not the original two-GPU 2012 model, and no code from the 2012 paper's authors is republished here. Torchvision itself notes that BSD-3-Clause redistribution of a pretrained checkpoint is an implied basis rather than a grant written for that specific checkpoint, and that pretrained-model terms can depend on the data a model was trained on; LibreYOLO repeats that caveat on the hosted weights repository.