빠른 시작
LibreYOLO를 통한 가장 짧은 경로: 한 이미지로 예측하고, 작은 데이터셋으로 학습한 다음 결과를 내보냅니다. 여기의 모든 명령은 CPU에서 실행됩니다.
- 설치
pip install libreyolo- 검문소
LibreYOLO9t.pt- 하드웨어
- 이 페이지의 모든 것에는 CPU면 충분합니다
설치
pip install libreyolo아래의 predict 및 train 섹션에 필요한 모든 것입니다. ONNX로 내보내기는 하나를 추가합니다. 전체 목록은 install을 참조하십시오.
예측
from libreyolo import LibreYOLO, SAMPLE_IMAGE # 첫 사용 시 체크포인트를 다운로드한 후 weights/.에 캐시합니다model = LibreYOLO("LibreYOLO9t.pt") # 단일 이미지는 하나의 Results 객체를 반환합니다.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes: print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())libreyolo predict model=yolo9-t save=True \ source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpgfrom libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # `stream=True`는 리스트를 만드는 대신 각 프레임마다 하나의 결과를 생성합니다.# 경로를 웹캠 인덱스, RTSP URL 또는 폴더로 교체하십시오.for result in model.predict("clip.mp4", stream=True, save=True): print(len(result.boxes))LibreYOLO()는 팩토리입니다. 이 파일을 읽고, 가중치가 어느 계열에 속하는지 확인한 후 그 계열의 모델을 반환하므로, 다른 탐지기를 교체하는 것은 한 줄의 변경으로 가능합니다. 디렉토리를 지정하지 않고 LibreYOLO9t.pt을 전달하면, 작업 디렉토리를 기준으로 weights/LibreYOLO9t.pt를 찾고, 없으면 그곳에 다운로드합니다. 다운로드 규칙과 오프라인 사용 방법은 체크포인트 및 가중치를 참조하십시오.
save=True는 runs/detect/ 아래에서 주석이 달린 사본을 작성하며, 실행할 때마다 증가하는 predict 디렉토리에 저장합니다. 반환된 Results는 boxes를 포함하고, names는 클래스 인덱스를 해당 레이블에 매핑합니다. 단일 이미지 경로는 하나의 Results를 반환하고, 디렉토리, 이미지 목록 또는 stream=True는 그들의 목록이나 제너레이터를 반환합니다.
학습
from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8는 라이브러리와 함께 제공되는 8-이미지 데이터셋입니다. 다운로드합니다# 첫 사용 시 URL에서 가져오므로 스크립트를 실행할 필요가 없습니다.results = model.train( data="coco8.yaml", epochs=1, imgsz=640, batch=4, device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])libreyolo train model=yolo9-t data=coco8.yaml \ epochs=1 imgsz=640 batch=4 device=cpufrom libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val()은 객체가 아니라 일반 딕셔너리를 반환합니다.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])data는 데이터셋 YAML입니다. coco8.yaml는 라이브러리와 함께 제공되므로, 해당 스니펫이 붙여넣기한 그대로 실행됩니다. 번들되지 않은 이름은 경로로 읽힙니다. 데이터셋은 ~/datasets 아래에서 해결되거나, 해당 변수가 설정된 경우 LIBREYOLO_DATASETS_DIR 아래에서 해결됩니다.
실행은 project/name에 기록하며, 기본적으로 runs/train 아래의 디렉토리에 기록되고, 그 안에는 weights/best.pt와 weights/last.pt가 있습니다. train()는 save_dir, best_checkpoint, last_checkpoint, 에폭별 손실 및 에폭별 검증 지표를 포함하는 사전을 반환합니다. 학습된 체크포인트는 사전 학습된 것과 정확히 동일하게 LibreYOLO()를 통해 불러옵니다.
모든 계열이 학습 가능한 것은 아닙니다. 계열이 추론만 전달하는 경우, train()는 NotImplementedError를 올리고 그렇게 말합니다. 핵심 개념은 어떤 지원 단계가 무엇을 의미하는지 설명합니다.
내보내기
from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export()는 작성한 경로를 반환합니다.path = model.export(format="torchscript")print(path) # 팩토리는 파일 접미사에 따라 경로를 지정하므로, 아티팩트가 다시 로드됩니다.# 체크포인트를 만들고 동일한 Results 객체를 반환합니다.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640TorchScript는 기본 설치 외에 아무 것도 필요하지 않습니다. 다른 대상은 각각 별도의 추가 사항이 있으며, 커버리지는 균일하지 않고 계열별 및 작업별로 이루어집니다: 내보내기 및 배포를 참조하십시오.
모든 형식에서 허용되는 인수에는 imgsz(정수 또는 높이와 너비 쌍), batch(기본값 1), half, int8와 보정을 위한 data YAML, dynamic(기본값 True), simplify(기본값 True), opset, device 및 output_path가 포함됩니다. output_path가 생략되면 파일은 체크포인트에서 파생된 이름으로 weights/ 아래에 작성됩니다.
다음에 어디로 갈지
- 작업, 계열, 크기 및 체크포인트 이름에 대한 핵심 개념.
- 자동 다운로드, 오프라인 사용 및 로딩 안전을 위한 체크포인트 및 가중치.
- 이미 업스트림 프로젝트에서 체크포인트가 있다면 기존 가중치 가져오기를 하십시오.
- 문제에 맞는 계열을 찾기 위한 모든 모델.
- 학습, 예측 및 내보내기 전체 워크플로우를 위해.