YOLOX

YOLOX는 분리된 분류-회귀 헤드를 갖춘 앵커 프리 단일 단계 탐지기로 SimOTA 레이블 할당을 사용해 학습합니다. LibreYOLO는 객체 탐지를 지원합니다.

작업: detection
크기: n, t, s, m, l, x at 416 to 640 px
설치: pip install libreyolo
지원 티어: 지원, v부터 지원. 보조 학습 가능 모델입니다. CI 통과 상태를 유지하며 기능은 여건에 따라 추가됩니다.
업스트림: Megvii의 YOLOX, Apache-2.0. 논문, 소스
라이선스: 코드 Apache-2.0, 가중치 Apache-2.0. 상업적 사용

설치

YOLOX에는 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("LibreYOLOXs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

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

반환되는 Results 객체는 모든 계열이 반환하는 것과 같으므로 탐지기를 바꾸려면 한 줄만 변경하면 됩니다. conf는 신뢰도 임곗값을, iou는 분리된 세 예측 스케일에 적용되는 NMS 임곗값을 설정합니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

여섯 가지 크기는 같은 CSP 백본과 PAFPN 넥을 공유합니다. 가장 작은 n과 t는 다른 네 모델보다 작은 고정 입력 해상도에서 실행됩니다. 아래 벤치마크 표에 각 모델의 정확한 수치가 나와 있습니다.

체크포인트	입력(px)	mAP 50-95	파라미터(M)
LibreYOLOXnano	416	28.8	0.91
LibreYOLOXtiny	416	35.1	5.06
LibreYOLOXl	640	53.9	54.21
LibreYOLOXm	640	50.9	25.33
LibreYOLOXs	640	43.0	8.97
LibreYOLOXx	640	56.3	99.07

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("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

CLI

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

기본 설정에서는 SGD 모멘텀 0.9, 5 epoch 워밍업, lr0=0.01로 300 epoch를 실행하며 마지막 15 epoch에는 mosaic와 mixup 증강을 끕니다. train()은 pretrained 인수도 받지만 메서드 내부에서 값을 읽지 않습니다. 학습은 항상 모델을 생성할 때 불러온 가중치에서 이어지므로 pretrained=False도 네트워크를 다시 초기화하지 않습니다.

imgsz의 기본값은 불러온 체크포인트의 기본 해상도가 아니라 기본 학습 설정의 고정값입니다. 이는 특히 n과 t 체크포인트에 영향을 줍니다. 둘 중 하나를 imgsz를 명시하지 않고 이어 학습하면 공개 당시의 작은 크기가 아니라 더 큰 기본 크기로 전환됩니다.

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("LibreYOLOXs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLOXs.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=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  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: 지원하지 않음	Detection to MNN: 지원하지 않음	Detection to RKNN: 지원하지 않음	Detection to ncnn: 지원함	Detection to TFLite: 지원함	Detection to CoreML: 지원함	Detection to Core AI: 지원함

내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러옵니다. 따라서 .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. CoreML 내보내기는 nms=True로 NMS를 그래프에 포함할 수 있습니다. 현재 이 플래그를 허용하는 계열은 YOLOX와 YOLOv9뿐입니다.

Python

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

CLI

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 half=True

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

체크포인트

이 계열에 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreYOLOXn.pt	416	apache-2.0
LibreYOLOXt.pt	416	apache-2.0
LibreYOLOXs.pt	640	apache-2.0
LibreYOLOXm.pt	640	apache-2.0
LibreYOLOXl.pt	640	apache-2.0
LibreYOLOXx.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: YOLOX, Megvii
업스트림 라이선스: Apache-2.0
업스트림 소스: github.com/Megvii-BaseDetection/YOLOX
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. It places no obligation on your own application code, and weights you train yourself on your own data are yours.

인용

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}

github.com/Megvii-BaseDetection/YOLOX#cite-yolox에 있는 저자의 인용 블록에서 복사했습니다.