YOLOv9

단일 단계 합성곱 탐지기입니다. 한 번의 패스로 조밀한 박스 그리드에 점수를 매기고 NMS가 중복을 제거합니다. LibreYOLO는 세 가지 변형을 제공하며 그중 하나에는 NMS 단계가 없습니다.

작업: detection
크기: yolo9: t, s, m, c at 640 px; yolo9_p2: t, s at 640 px
설치: pip install libreyolo
지원 티어: 플래그십, v1.0.0부터 지원. 기능을 여기에서 먼저 설계하고 GPU로 완전히 검증합니다.
업스트림: MultimediaTechLab의 YOLOv9, MIT. 논문, 소스
라이선스: 코드 MIT, 가중치 MIT. 상업적 사용

설치

YOLOv9에는 기본 패키지 외의 extra가 필요하지 않습니다.

bash

pip install libreyolo

예측

처음 사용할 때 Hugging Face에서 가중치를 다운로드해 로컬에 캐시합니다.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO9s.pt save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

NMS 없이 실행

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 호출은 같고 체크포인트만 다릅니다. end-to-end 헤드가 자체 최고 점수# 예측을 반환하므로 NMS를 실행하지 않고 iou를 무시합니다.model = LibreYOLO("LibreYOLO9E2Es.pt")result = model(SAMPLE_IMAGE, conf=0.25, max_det=300) print(len(result.boxes))

반환되는 Results 객체는 모든 계열이 반환하는 것과 같으므로 탐지기를 바꾸려면 한 줄만 변경하면 됩니다. 기본 모델과 stride-4 모델에서 conf는 신뢰도 임곗값을, iou는 NMS 임곗값을 설정합니다. end-to-end 모델은 NMS를 실행하지 않고 iou를 무시하므로 conf와 max_det이 출력을 결정합니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

세 변형은 백본을 공유합니다. 모두 탐지만 지원하고 같은 인수를 받습니다.

기본 모델은 세 특징 스케일에서 예측하고 NMS로 중복 박스를 제거합니다.

end-to-end 모델은 해당 헤드를 유지하고 옆에 일대일 매칭 브랜치를 추가합니다. 추론은 일대일 브랜치만 읽어 최고 점수 예측을 선택하므로 NMS를 실행하지 않습니다. 배포 런타임에 NMS 연산자가 없을 때 선택합니다.

stride-4 모델은 백본의 한 단계 더 위 레벨을 노출하고 넥을 해당 레벨까지 확장하여 세 스케일 대신 네 스케일에서 예측합니다. 추가 스케일은 픽셀을 적게 차지하는 객체를 위한 것입니다. 공개된 체크포인트 하나는 항공 이미지에서 학습했습니다. 기본 탐지 체크포인트를 전이할 수 있습니다. 백본과 넥은 그대로 불러오고 사전 학습한 세 헤드 타워를 한 슬롯 위로 옮기며 stride-4 타워는 무작위 초기화합니다.

체크포인트	입력(px)	mAP 50-95	파라미터(M)
LibreYOLO9c	640	56.4	25.5
LibreYOLO9m	640	55.3	20.12
LibreYOLO9s	640	55.9	7.2
LibreYOLO9t	640	54.0	2.02

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

학습

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)

CLI

libreyolo train model=LibreYOLO9s.pt data=my-dataset.yaml \  epochs=100 imgsz=640 batch=16

소형 객체

from libreyolo import LibreYOLO9P2 # stride-4 변형에는 자체 COCO 체크포인트가 없으므로 기본 탐지 체크포인트를# 지정합니다. 백본과 넥은 그대로 불러오고 stride-4 헤드 타워는 무작위 초기화합니다.model = LibreYOLO9P2(None, size="s")model.train(data="my-dataset.yaml", epochs=100, pretrained="LibreYOLO9s.pt")

pretrained가 실행의 시작점을 결정합니다. True를 전달하면 같은 모델과 크기의 공개 체크포인트를 불러오고 다른 항목에는 이름이나 경로를 전달합니다. 형태가 일치하지 않는 텐서는 거부하지 않고 건너뛰며 불러온 수를 기록합니다. 따라서 클래스 수가 다른 체크포인트도 시작점으로 사용할 수 있습니다.

stride-4 모델에는 자체 공개 COCO 체크포인트가 없으므로 여기서 True는 존재하지 않는 파일로 해석되어 다운로드가 실패합니다. 대신 기본 탐지 체크포인트의 이름을 지정합니다.

데이터셋, 증강, 다중 GPU, 로거는 학습을 참조합니다.

검증

val()은 학습에 사용한 형식의 데이터셋을 대상으로 측정한 정밀도, 재현율, mAP 50, mAP 50-95를 포함하는 metrics/ 키 사전을 반환합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO9s.pt data=my-dataset.yaml

COCO 기준 평가

# 번들 COCO yaml에는 내장 다운로드 스크립트가 있으므로 데이터셋이 이미# 로컬에 있지 않다면 명시적 권한이 필요합니다.libreyolo val model=LibreYOLO9c.pt data=coco.yaml imgsz=640 \  allow_download_scripts=True

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: 지원함	Detection to TFLite: 지원하지 않음	Detection to CoreML: 지원하지 않음	Detection to Core AI: 지원함

체크 표시는 세 변형 모두에 적용됩니다. 차이가 있는 경우 매트릭스는 셋 중 가장 약한 지원 수준을 표시합니다.

내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러오므로 .onnx 또는 .engine 파일은 체크포인트처럼 동작하며 동일한 Results를 반환합니다. LibreYOLO가 설치되지 않은 기본 런타임에서 그래프를 실행할 수도 있지만 이 경우 전처리와 후처리를 직접 작성해야 합니다.

기본 탐지 모델에서는 후처리 절반을 그래프로 옮길 수 있습니다. ONNX 내보내기에 nms=True를 사용하면 억제를 모델 안에 넣고 첫 출력은 행이 x1, y1, x2, y2, score, class인 고정 (1, max_det, 6) 텐서가 됩니다. 탐지 수 이후는 0으로 패딩합니다. 이 그래프는 배치 1이며 동적 축이 없습니다. end-to-end와 stride-4 모델은 이 플래그를 받지 않습니다.

각 형식은 서로 다른 extra를 설치하고 고유한 몇 가지 인수를 받습니다. 둘 다 해당 형식 페이지에 나와 있습니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")model.export(format="onnx", imgsz=640)

CLI

libreyolo export model=LibreYOLO9s.pt format=onnx imgsz=640

그래프에 NMS 포함

libreyolo export model=LibreYOLO9s.pt format=onnx nms=True \  conf=0.25 iou=0.45 max_det=300

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("LibreYOLO9s.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

체크포인트

이 계열에 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreYOLO9t.pt	640	mit
LibreYOLO9s.pt	640	mit
LibreYOLO9m.pt	640	mit
LibreYOLO9c.pt	640	mit
LibreYOLO9E2Et.pt	640	mit
LibreYOLO9E2Es.pt	640	mit
LibreYOLO9E2Em.pt	640	mit
LibreYOLO9E2Ec.pt	640	mit
LibreYOLO9P2s-visdrone.pt		cc-by-nc-sa-3.0

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: YOLOv9, MultimediaTechLab
업스트림 라이선스: MIT
업스트림 소스: github.com/MultimediaTechLab/YOLO
LibreYOLO 코드: MIT
가중치: MIT, huggingface.co/LibreYOLO에 다시 게시됨
해석: MIT is a permissive license, so these weights can be used in commercial and closed-source products. The one standing obligation is to keep the license text and the copyright notice, Kin-Yiu Wong and Hao-Tang Tsui, with any copy you redistribute. It places no condition on your own application code, and a model you train yourself on your own data is yours. Two things are worth knowing beyond that. The port follows the authors' MIT re-release of YOLOv9, not the GPL-3.0 repository that carries the same model, so the permissive terms come from the source LibreYOLO actually derives from. And one checkpoint in this family is not MIT: the stride-4 model trained on VisDrone2019-DET inherits that dataset's CC BY-NC-SA 3.0 terms, which rule out commercial use and require share-alike on anything derived from it.

여기 체크포인트 중 하나는 MIT가 아닙니다. VisDrone2019-DET에서 학습한 stride-4 모델은 해당 데이터셋의 CC BY-NC-SA 3.0 약관을 상속합니다. 비상업적 사용만 허용하고 파생물에 동일 조건을 적용해야 하며 나머지 계열의 허용적 라이선스 범위 밖입니다. COCO 클래스가 아닌 VisDrone 항공 클래스를 예측합니다. 라이브러리는 파일을 다운로드하기 전에 이 내용을 모두 출력합니다.

인용

@inproceedings{wang2024yolov9,
      title={{YOLOv9}: Learning What You Want to Learn Using Programmable Gradient Information},
      author={Wang, Chien-Yao and Yeh, I-Hau and Liao, Hong-Yuan Mark},
      year={2024},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
}

github.com/MultimediaTechLab/YOLO#citations에 있는 저자의 인용 블록에서 복사했습니다.