연구와 과학
발견을 위해 만들었습니다
사용자만이 아니라 연구자를 위해 설계한 코드베이스입니다. 자유롭게 수정하고, 깊이 들여다보고, 그 대가를 치르지 않고 논문을 발표하세요.
"연구용 라이선스"가 필요 없습니다
어떤 프레임워크는 결과물을 공개하지 않은 채 코드를 들여다보게 해 주는 대가로 "연구"나 "과학" 라이선스 비용을 따로 받습니다. LibreYOLO는 그렇지 않습니다.
흔한 "과학 라이선스"
- 연구를 비공개로 유지하려면 비용 지불
- 상업용 R&D 사용에 요금 부과
- 복잡한 라이선스 등급
- 논문 발표 전 법무 검토
LibreYOLO (MIT)
- 자유롭게 연구하고 비공개로 유지
- 어떤 용도로 쓰든 비용 없음
- 단순한 라이선스 하나: MIT
- 법적 걱정 없이 논문 발표
기본 제공 설명 가능성
블랙박스 안을 들여다보세요
해석 가능성과 설명 가능성 도구가 기본으로 들어 있습니다. 외부 의존성도 복잡한 설정도 없이 플래그와 함수 호출만으로 충분합니다.
특징 맵 추출
플래그 하나면 모든 레이어의 중간 활성화를 저장할 수 있습니다. 모델이 각 단계에서 무엇을 "보는지" 이해하기에 좋습니다.
feature_maps.py
from libreyolo import LibreYOLO
# Enable feature map saving in constructor
model = LibreYOLO(
model_path="LibreYOLO11m.pt",
size="m",
save_feature_maps=True
)
# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")
# Saved to: runs/feature_maps/backbone_p1.png
1/11
CAM 시각화
실험적Class Activation Map 방식 7가지가 기본으로 들어 있습니다. model.explain()을 호출하면 모델이 어디에 주목하는지 보여 주는 히트맵을 만듭니다. 이 기능은 실험적이며 결과는 달라질 수 있습니다.
explainability.py
from libreyolo import LibreYOLO
model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")
# One-line CAM visualization
result = model.explain(
image="parkour.jpg",
method="gradcam",
target_layer="neck_c2f22",
save=True
)
# Returns heatmap and overlay
print(result["heatmap"].shape)수정을 전제로 설계했습니다
코드베이스는 읽기 쉽고 고치기 쉽게 작성했습니다. 새 백본을 시험해 보고 싶다면, 직접 만든 어텐션 메커니즘을 실험하고 싶다면, 새로운 손실 함수를 추가하고 싶다면, 그렇게 하면 됩니다.
yolov11_custom.py
# Your modified architecture
from libreyolo.models.yolov11 import YOLOv11
class YOLOv11Custom(YOLOv11):
def __init__(self):
super().__init__()
# Swap out the backbone
self.backbone = MyCustomBackbone()
def forward(self, x):
features = self.backbone(x)
return self.head(self.neck(features))
# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")오늘 연구를 시작하세요
라이선스 비용도, 유료 장벽도, 결과물을 비공개로 유지하는 데 대한 제약도 없습니다. 설치하고 바로 살펴보기 시작하세요.
$ pip install libreyolo