RF-DETR

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # 라이브러리가 받는 모든 소스: 파일, 폴더, URL, 웹캠 인덱스,# RTSP 스트림 또는 .streams 목록for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=512, batch=8, lr0=1e-4)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 imgsz=512 batch=8 lr0=1e-4

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

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=-1

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # val()은 객체가 아닌 일반 dict를 반환합니다.metrics = model.val(data="my-dataset.yaml", imgsz=512) print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreRFDETRs.pt data=my-dataset.yaml imgsz=512

# 번들 COCO yaml에는 내장 다운로드 스크립트가 있으므로 데이터셋이 이미# 로컬에 있지 않다면 명시적 권한이 필요합니다.libreyolo val model=LibreRFDETRn.pt data=coco.yaml imgsz=384 \  allow_download_scripts=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True) # 모든 형식에서 받는 인수:##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai".#             "engine"은 tensorrt, "litert"는 tflite의 별칭입니다.#   imgsz     int 또는 (height, width). 기본값은 체크포인트의 기본 해상도입니다.#   batch     int, 기본값 1.#   half      bool, FP16으로 내보냅니다. 기본값 False.#   int8      bool, INT8로 내보냅니다. 기본값 False. `data`가 필요합니다.#   data      int8 보정에 사용하는 데이터셋 YAML 경로입니다.#   fraction  float, 사용할 보정 집합 비율입니다. 기본값 1.0.#   dynamic   bool, 동적 축입니다. 기본값 True.#   simplify  bool, ONNX 그래프 단순화를 실행합니다. 기본값 True.#   opset     int, ONNX opset입니다. 미지정 시 계열별로 선택합니다.#   device    str, 추적할 장치입니다. 기본값은 모델 장치입니다.#   output_path  str, 기본값은 체크포인트에서 파생한 이름입니다.#   verbose   bool, 기본값 False.#   allow_download_scripts  bool, 기본값 False. 다운로드해야 하는 데이터셋#             YAML의 내장 Python 실행을 허용합니다.## 일부 형식은 RKNN 대상 플랫폼 같은 전용 인수를 추가로 받습니다.# 각 형식 페이지에서 이를 설명합니다.

libreyolo export model=LibreRFDETRs.pt format=onnx imgsz=512libreyolo export model=LibreRFDETRs.pt format=tensorrt imgsz=512 half=True

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

import numpy as npimport onnxruntime as ort # 그래프를 직접 실행하려면 전처리와 후처리를 직접 수행해야 합니다.# 연결하기 전에 시그니처를 확인합니다.session = ort.InferenceSession("LibreRFDETRs.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 512, 512), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)