EdgeCrafter

엣지 하드웨어의 조밀 예측을 위한 소형 vision transformer로 업스트림에서는 ECDet, ECPose, ECSeg의 세 형제 모델로 공개됩니다. LibreYOLO는 셋을 하나의 제품군으로 불러오며 체크포인트가 작업을 나타냅니다.

작업: detection, pose, instance segmentation
크기: s, m, l, x at 640 px
설치: pip install libreyolo
지원 티어: 코어, v1.2.0부터 지원. 학습 가능한 핵심 탐지기입니다. 기능은 같은 릴리스 주기에서 플래그십을 따릅니다.
업스트림: Intellindust AI Lab의 EdgeCrafter, Apache-2.0. 논문, 소스
라이선스: 코드 Apache-2.0, 가중치 Apache-2.0. 상업적 사용

설치

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

bash

pip install libreyolo

단, lora=True를 사용하는 어댑터 미세 조정에는 lora extra가 필요합니다.

bash

pip install "libreyolo[lora]"

예측

처음 사용할 때 Hugging Face에서 가중치를 다운로드해 로컬에 캐시합니다.

Python

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

CLI

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

자세 추정

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 파일명의 -pose 접미사가 키포인트 헤드를 선택하므로 여기서는# task 인수가 필요하지 않습니다.model = LibreYOLO("LibreECs-pose.pt")result = model(SAMPLE_IMAGE, save=True) print(result.keypoints.xy)print(result.boxes.conf)

인스턴스 분할

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreECs-seg.pt")result = model(SAMPLE_IMAGE, save=True) print(result.masks.data.shape)

작업은 파일명에서 가져오므로 -pose 또는 -seg 체크포인트가 자체 헤드를 선택하며 task 인수를 받지 않습니다. 셋 모두 각 제품군이 반환하는 Results 객체를 반환하고 자세 추정에는 result.keypoints, 분할에는 result.masks가 추가됩니다. 자세 추정은 COCO 키포인트 17개를 가진 사람 클래스 하나를 다루며 모델을 구축할 때 개수가 고정됩니다. 박스 헤드가 없으므로 각 자세 박스는 자체 키포인트의 경계 범위이고 세 번째 키포인트 채널은 점별 점수가 아닌 상수입니다.

conf와 max_det은 쿼리 선택을 필터링합니다. 세 헤드 모두 NMS 단계 없이 쿼리 집합을 디코딩하므로 iou는 API 일관성을 위해 허용되지만 효과가 없습니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

크기는 네 가지입니다. 모두 같은 입력 해상도에서 실행되므로 아래 표는 매개변수 수와 정확도로 구분합니다.

체크포인트	입력(px)	mAP 50-95	파라미터(M)
LibreECl	640	60.1	32.97
LibreECm	640	58.4	19.43
LibreECs	640	54.3	9.88
LibreECx	640	61.1	49.94

COCO val2017, 500 images. LibreYOLO 벤치마크 도구로 측정하고 Vision Analysis에 공개했습니다. 이곳에서 하드웨어와 런타임별 지연 시간을 비교하고 전체 실행 기록을 확인할 수 있습니다.

업스트림은 ECDet, ECPose, ECSeg를 세 헤드가 있는 하나의 모델이 아니라 세 개의 별도 모델로 게시합니다. ECViT 백본과 하이브리드 인코더를 공유하고 헤드만 다르므로 LibreYOLO는 하나의 제품군으로 합치고 체크포인트 파일명이 작업을 나타내게 합니다. 따라서 크기 문자는 세 작업에서 같은 백본과 인코더를 뜻하고 예측, 검증, 내보내기는 어떤 모델을 불러와도 같은 인수를 받습니다.

학습

세 작업 모두 train()으로 학습하며 불러온 체크포인트에서 작업을 읽고 일치하는 학습기를 선택합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,    batch=8,    lr0=5e-4,)

CLI

libreyolo train model=LibreECs.pt data=my-dataset.yaml epochs=50 imgsz=640 batch=8 lr0=5e-4

자세 추정

from libreyolo import LibreYOLO # data.yaml에 kpt_shape가 선언된 단일 클래스 키포인트 데이터셋과# 체크포인트의 기본 크기로 설정한 imgsz가 필요합니다.model = LibreYOLO("LibreECs-pose.pt")model.train(    data="my-pose-dataset.yaml",    epochs=50,    imgsz=640,)

인스턴스 분할

from libreyolo import LibreYOLO # 폴리곤 레이블과 체크포인트의 기본 크기로 설정한 imgsz가 필요합니다.model = LibreYOLO("LibreECs-seg.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,)

LoRA

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.train(    data="my-dataset.yaml",    epochs=50,    lora=True,)

탐지와 분할에서 확인한 항목은 크기별 계층 단위 업스트림 대비 1e-5 추론 동등성과 합성 입력에서 손실 및 단일 학습 단계 실행입니다. train() 자체의 docstring에 따라 확인하지 않은 항목은 전체 미세 조정 수렴, 다중 GPU 학습, 증강 중단 후 최고 모델 다시 불러오기 단계, Objects365에서 COCO로의 클래스 재매핑입니다. 자세 경로는 클래스, 키포인트 L1, OKS 비용에 헝가리안 매처와 대조적 키포인트 노이즈 제거를 사용하는 DETRPose 공개 레시피를 따르며 이 수렴도 처음부터 끝까지 확인하지 않았습니다.

기본 설정에서는 혼합 정밀도를 활성화하고 lr0=5e-4로 74 epoch를 실행하며 업스트림 레시피에 따라 AdamW, flat cosine 일정, EMA 0.9999, ImageNet 정규화 입력을 사용합니다. 자세 추정과 분할은 평가 앵커 그리드가 모델 생성 시 구축되므로 체크포인트의 기본 크기와 같은 imgsz가 필요하며 다른 값은 실행 전에 예외를 발생시킵니다. 자세 추정에는 data.yaml이 kpt_shape를 선언하고 키포인트 수가 헤드와 일치하는 단일 클래스 데이터셋도 필요합니다.

lora=True는 탐지에만 적용됩니다. 자세 추정과 분할에서는 ValueError가 발생합니다. Apple silicon에서 학습기는 실행을 GPU에 유지하고 PyTorch가 Metal에서 구현하지 않은 deformable attention 내부의 grid-sample 역전파 연산 하나만 CPU로 보냅니다.

데이터셋, 증강, 다중 GPU, 로거는 학습을 참조합니다.

검증

val()은 지표 이름으로 키가 지정된 사전을 반환하며 verbose가 활성화되어 있으면 클래스별 결과를 출력합니다.

Python

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

CLI

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

자세 추정

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs-pose.pt")metrics = model.val(data="my-pose-dataset.yaml") print(metrics["metrics/keypoints_mAP50-95"])print(metrics["metrics/keypoints_mAP50"])

인스턴스 분할

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs-seg.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95(M)"])   # 마스크print(metrics["metrics/mAP50-95(B)"])   # 박스

자세 추정은 metrics/keypoints_* 아래에 키포인트 OKS 지표를 보고합니다. 분할은 일반 metrics/mAP50-95 키 아래에 마스크를 보고하고 한 번의 패스에서 (B) 아래의 박스와 (M) 아래의 마스크도 반복해 제공합니다.

내보내기

작업	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: 지원함	Detection to TorchScript: 지원함	Detection to ExecuTorch: 지원함	Detection to TensorRT: 지원함	Detection to OpenVINO: 지원함	Detection to Paddle: 지원함	Detection to MNN: 지원함	Detection to RKNN: 지원하지 않음	Detection to ncnn: 지원하지 않음	Detection to TFLite: 지원하지 않음	Detection to CoreML: 지원하지 않음	Detection to Core AI: 지원함
Pose	Pose to ONNX: 지원함	Pose to TorchScript: 지원함	Pose to ExecuTorch: 지원함	Pose to TensorRT: 지원함	Pose to OpenVINO: 지원함	Pose to Paddle: 지원함	Pose to MNN: 지원하지 않음	Pose to RKNN: 지원하지 않음	Pose to ncnn: 지원하지 않음	Pose to TFLite: 지원하지 않음	Pose to CoreML: 지원하지 않음	Pose to Core AI: 지원하지 않음
Instance segmentation	Instance segmentation to ONNX: 지원함	Instance segmentation to TorchScript: 지원함	Instance segmentation to ExecuTorch: 지원함	Instance segmentation to TensorRT: 지원함	Instance segmentation to OpenVINO: 지원함	Instance segmentation to Paddle: 지원함	Instance segmentation to MNN: 지원하지 않음	Instance segmentation to RKNN: 지원하지 않음	Instance segmentation to ncnn: 지원하지 않음	Instance segmentation to TFLite: 지원하지 않음	Instance segmentation to CoreML: 지원하지 않음	Instance segmentation to Core AI: 지원하지 않음

내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러오므로 .onnx 또는 .engine 파일은 체크포인트처럼 동작하며 동일한 Results를 반환합니다. 자세 추정과 분할은 동적 형태가 아닌 고정 640x640 입력으로 내보내며 OpenVINO, Paddle, MNN, ExecuTorch, Core AI를 포함한 여러 탐지 대상도 고정 캔버스를 사용합니다. 각 형식이 받는 인수와 일부 형식이 추가하는 extra는 내보내기에 나와 있습니다.

Python

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

CLI

libreyolo export model=LibreECs.pt format=onnx imgsz=640libreyolo export model=LibreECs-pose.pt format=onnx imgsz=640libreyolo export model=LibreECs-seg.pt format=onnx imgsz=640

내보낸 파일 사용

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 팩토리는 파일 접미사에 따라 라우팅하므로 내보낸 아티팩트도# 다른 체크포인트처럼 불러와 동일한 Results 객체를 반환합니다.model = LibreYOLO("LibreECs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

체크포인트

이 제품군에 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreECs.pt	640	apache-2.0
LibreECm.pt	640	apache-2.0
LibreECl.pt	640	apache-2.0
LibreECx.pt	640	apache-2.0
Pose
LibreECs-pose.pt	640	apache-2.0
LibreECm-pose.pt	640	apache-2.0
LibreECl-pose.pt	640	apache-2.0
LibreECx-pose.pt	640	apache-2.0
Instance segmentation
LibreECs-seg.pt	640	apache-2.0
LibreECm-seg.pt	640	apache-2.0
LibreECl-seg.pt	640	apache-2.0
LibreECx-seg.pt	640	apache-2.0

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: EdgeCrafter, Intellindust AI Lab
업스트림 라이선스: Apache-2.0
업스트림 소스: github.com/Intellindust-AI-Lab/EdgeCrafter
LibreYOLO 코드: MIT
가중치: Apache-2.0, huggingface.co/LibreYOLO에 다시 게시됨
해석: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. One license covers all three upstream models, so the detection, pose and segmentation weights carry identical terms, and weights you train yourself on your own data are yours.

인용

@article{liu2026edgecrafter,
  title={EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized Distillation},
  author={Liu, Longfei and Hou, Yongjie and Li, Yang and Wang, Qirui and Sha, Youyang and Yu, Yongjun and Wang, Yinzhi and Ru, Peizhe and Yu, Xuanlong and Shen, Xi},
  journal={arXiv},
  year={2026}
}

github.com/Intellindust-AI-Lab/EdgeCrafter#-citation에 있는 저자의 인용 블록에서 복사했습니다.