Dokumentacja LibreYOLO

Jedno API Pythona do wizji komputerowej: detekcji, segmentacji, estymacji pozy i głębi, OCR oraz innych zadań, z trenowaniem, walidacją i eksportem każdego z nich. Kod jest objęty licencją MIT, więc zachowujesz prawa do tego, co zbudujesz.

Instalacja

pip install libreyolo

Szybki start Przeglądaj modele Przeglądaj zadania

Modele: Rodziny modeli: 86, od obecnych modeli flagowych po historyczne detektory, dostępne przez jedną fabrykę
Zadania: Liczba zadań: 17, od detekcji po estymację kierunku wzroku i rekonstrukcję siatki człowieka
Wagi: 244 opublikowanych checkpointów dla opisanych tutaj rodzin, pobieranych przy pierwszym użyciu z huggingface.co/LibreYOLO
Eksport: Liczba formatów: 12, od ONNX po TensorRT, CoreML, TFLite i Core AI
Licencja: Kod na licencji MIT. Wagi zachowują licencję projektu źródłowego, podaną dla każdego checkpointu

Co chcesz zrobić?

Wszystkie zadania

All tasks
Detekcja obiektów: Ramki i klasy. Domyślne zadanie obsługiwane przez większość rodzin.
Segmentacja instancji: Maski poszczególnych obiektów, jedna maska na detekcję.
Segmentacja semantyczna: Klasa dla każdego piksela, bez rozdzielania obiektów.
Segmentacja panoptyczna: Segmentacja semantyczna i segmentacja instancji w jednym wyniku.
Estymacja pozy: Punkty kluczowe każdego obiektu, w podejściu top-down lub bottom-up.
Klasyfikacja obrazów: Jedna etykieta na obraz, w tym klasyfikacja zero-shot za pomocą CLIP i SigLIP2.
Detekcja obróconych obiektów: Obrócone ramki do obrazów lotniczych i dokumentów.
Detekcja punktów: Centroidy zamiast ramek. Liczenie i bardzo małe modele.
Estymacja głębi: Głębia każdego piksela z pojedynczego obrazu.
Detekcja krawędzi
Normalne powierzchni
Odtwarzanie obrazów: Odszumianie, usuwanie rozmycia i skalowanie w górę.
Usuwanie tła: Maski alfa do wycinania obiektów.
OCR: Detekcja i rozpoznawanie tekstu w jednym przebiegu.
Rozpoznawanie twarzy: Embeddingi twarzy i galerie tożsamości.
Embeddingi
Estymacja spojrzenia: Określanie, gdzie patrzy dana osoba.
Siatka ciała
Śledzenie obiektów: Tożsamości między klatkami wideo, niezależnie od detektora.
Detekcja z otwartym słownikiem: Detekcja klas podanych w czasie działania, bez trenowania.
Segmentacja sterowana promptem: Segmentacja dowolnego wskazanego obiektu za pomocą SAM i podobnych modeli.

Który model?

Wszystkie modele

Zacznij od modelu flagowego, chyba że istnieje powód, aby wybrać inaczej. Każda funkcja jest najpierw projektowana i walidowana na GPU właśnie dla tych modeli, a każda strona zawiera checkpointy, macierz eksportu i informacje o licencjach danej rodziny.

RF-DETR: 4 zadań, 19 checkpointów.
YOLOv9: Detekcja, 9 checkpointów.
DEIM: Detekcja, 13 checkpointów.
D-FINE: 2 zadań, 10 checkpointów.
EdgeCrafter: 3 zadań, 12 checkpointów.
RT-DETR: 2 zadań, 21 checkpointów.
YOLO-NAS: 2 zadań, wagi rozpowszechniane przez autorów, a nie przez nas.
ConvNeXt: Detekcja, 3 checkpointów.
DINOv2: 3 zadań, wagi rozpowszechniane przez autorów, a nie przez nas.
Dome-DETR: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
EfficientNetV2: Detekcja, 4 checkpointów.
FOMO: Detekcja, 3 checkpointów.
LingBot-Vision: Detekcja, 3 checkpointów.
MobileNetV4: Detekcja, 3 checkpointów.
NAFNet: Detekcja, 1 checkpoint.
PicoDet: Detekcja, 3 checkpointów.
ResNet: Detekcja, 4 checkpointów.
RTMDet: 2 zadań, 10 checkpointów.
SegFormer: Detekcja, 6 checkpointów.
YOLOv7: Detekcja, 1 checkpoint.
YOLOX: Detekcja, 6 checkpointów.
AlexNet: Detekcja, 1 checkpoint.
BiRefNet: Detekcja, 1 checkpoint.
CenterNet: Detekcja, 2 checkpointów.
DeepLabv3: Detekcja, 3 checkpointów.
Deformable DETR: Detekcja, 5 checkpointów.
Depth Anything 3: Detekcja, 1 checkpoint.
Depth Anything V2: Detekcja, 3 checkpointów.
DETR: Detekcja, 4 checkpointów.
DexiNed: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
DINO-DETR: Detekcja, 3 checkpointów.
EfficientDet: Detekcja, 5 checkpointów.
EoMT: 3 zadań, 6 checkpointów.
Faster R-CNN: Detekcja, 4 checkpointów.
FCN: Detekcja, 2 checkpointów.
FCOS: Detekcja, 1 checkpoint.
FeyNobg: Detekcja, 3 checkpointów.
HRNet: Detekcja, 2 checkpointów.
L2CS-Net: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
LibreFaceRec: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
LW-DETR: Detekcja, 5 checkpointów.
Mask R-CNN: 2 zadań, 1 checkpoint.
MiDaS: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
MoGe-2: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
PIDNet: Detekcja, 3 checkpointów.
PP-OCRv5: Detekcja, 2 checkpointów.
Real-ESRGAN: Detekcja, 3 checkpointów.
RetinaNet: Detekcja, 2 checkpointów.
SAM 3D Body: Detekcja, 2 checkpointów.
SSD: Detekcja, 1 checkpoint.
Swin Transformer: Detekcja, 4 checkpointów.
SwinIR: Detekcja, 3 checkpointów.
TEED: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
VGG: Detekcja, 4 checkpointów.
ViT: Detekcja, 4 checkpointów.
ZipDepth: Detekcja, 2 checkpointów.
DeiT: Detekcja, 3 checkpointów.
YOLOv1: Detekcja, 1 checkpoint.
YOLOv2: Detekcja, 2 checkpointów.
YOLOv3: Detekcja, 3 checkpointów.
YOLOv4: Detekcja, 2 checkpointów.
CLIP: 2 zadań, 2 checkpointów.
EdgeTAM: Detekcja, 1 checkpoint.
Florence-2: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
Grounding DINO: Detekcja, 2 checkpointów.
InternVL3: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
Kosmos-2: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
LFM2-VL: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
LibreMODUS: 4 zadań, wagi rozpowszechniane przez autorów, a nie przez nas.
LocateAnything: 2 zadań, wagi rozpowszechniane przez autorów, a nie przez nas.
MobileSAM: Detekcja, 1 checkpoint.
OMDet-Turbo: Detekcja, 1 checkpoint.
OV-DEIM: Detekcja, 3 checkpointów.
OWLv2: Detekcja, 2 checkpointów.
PicoSAM3: Detekcja, 1 checkpoint.
Qwen3-VL: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
SAM: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
SAM 2: Detekcja, 4 checkpointów.
SAM 3: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.
SenseNova-Vision: 7 zadań, 1 checkpoint.
SigLIP2: 2 zadań, 2 checkpointów.
SmolVLM2: Detekcja, wagi rozpowszechniane przez autorów, a nie przez nas.

Zmierzone, nie deklarowane

Vision Analysis

Każda wartość dokładności i opóźnienia w tej dokumentacji pochodzi z opublikowanego przebiegu wraz z informacjami o sprzęcie, środowisku uruchomieniowym i precyzji. Poniższy wykres jest aktualizowany na żywo.

Praca z modelem

Trenowanie: Zbiory danych, argumenty, augmentacja, wiele GPU i rejestrowanie eksperymentów.
Predykcja: Obrazy, foldery, wideo, kamery internetowe i strumienie RTSP.
Eksport i wdrożenie: Dwanaście środowisk docelowych z macierzą obsługi dla każdej rodziny.
Wiersz poleceń: Wszystkie możliwości API Pythona bez pisania kodu w Pythonie.

O licencji

Kod LibreYOLO jest objęty licencją MIT. Nie wymaga ona otwarcia kodu aplikacji, nie obejmuje wag modelu i nie zmienia się, gdy sprzedajesz zbudowany produkt. Wstępnie wytrenowane wagi są osobne: każda zachowuje licencję osoby lub organizacji, która ją wytrenowała, a dokumentacja podaje ją dla każdego checkpointu zamiast sprowadzać wszystkie do jednego stwierdzenia. Niektóre wagi są przeznaczone wyłącznie do użytku niekomercyjnego i jest to wyraźnie zaznaczone.

Jak działają tu licencje