ConvNeXt V2

ConvNeXt V2 is an image classifier with global response normalization.

Zadania: classification
Instalacja: pip install libreyolo
Poziom obsługi: Obsługiwany, od wersji v1.6.0. Dodatkowe trenowalne modele: testy CI pozostają zielone, a funkcje są dodawane w miarę możliwości.
Projekt źródłowy: ConvNeXt V2, autorzy: Meta AI, licencja: MIT code; CC-BY-NC-4.0 weights. Publikacja, kod źródłowy
Licencje: Kod: MIT, wagi: MIT code; CC-BY-NC-4.0 weights. Użycie komercyjne

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.probs)

The eight sizes run classification at 224 pixels. Official pretrained weights are CC-BY-NC-4.0.

Train

Training rebuilds the classification head for an ImageFolder dataset. cls_pw accepts values from 0 to 1 and defaults to 0. class_weights=True selects the alternative sample-normalized weighting; it cannot combine with cls_pw>0. Weighting settings must match when resuming.

Dataset setup describes the required training data.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")# "smoke10" auto-downloads; for your own data, pass a folder with train/ and val/ class subfolders.model.train(data="smoke10", epochs=1, device="cpu", workers=0)

Validate

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")metrics = model.val(data="smoke10", workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Export

Zadanie	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Classification	Classification to ONNX: obsługiwane	Classification to TorchScript: obsługiwane	Classification to ExecuTorch: obsługiwane	Classification to TensorRT: obsługiwane	Classification to OpenVINO: obsługiwane	Classification to Paddle: brak obsługi	Classification to MNN: brak obsługi	Classification to RKNN: brak obsługi	Classification to ncnn: obsługiwane	Classification to TFLite: brak obsługi	Classification to CoreML: brak obsługi	Classification to Core AI: brak obsługi

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

Plik	Licencja wag
Classification
LibreConvNeXtV2atto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2femto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2pico-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2n-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2t-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2b-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2l-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2h-cls.pt	cc-by-nc-4.0

Każdy z powyższych plików jest obecnie dostępny w organizacji LibreYOLO i pobierany przy pierwszym użyciu.

Licensing

Sprawdź licencję w repozytorium konkretnych pobieranych wag na Hugging Face. Każdy checkpoint w organizacji LibreYOLO ma licencję, która nie zawsze jest taka sama w całej rodzinie. To repozytorium jest źródłem rozstrzygającym, a poniższe podsumowanie opisuje stan z chwili ostatniej weryfikacji tej strony.

To opis obowiązujących licencji, a nie porada prawna. Jeśli odpowiedź ma znaczenie komercyjne, przeczytaj licencje i zasięgnij własnej porady prawnej.

Oryginalna praca: ConvNeXt V2, Meta AI
Licencja projektu źródłowego: MIT code; CC-BY-NC-4.0 weights
Kod źródłowy projektu: github.com/facebookresearch/ConvNeXt-V2
Kod LibreYOLO: MIT
Wagi: MIT code; CC-BY-NC-4.0 weights, ponownie opublikowane w huggingface.co/LibreYOLO
Interpretacja: The source code is MIT. Official pretrained weights are CC-BY-NC-4.0 and exclude commercial use.

Citation

@article{Woo2023ConvNeXtV2,
  title={ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders},
  author={Sanghyun Woo, Shoubhik Debnath, Ronghang Hu, Xinlei Chen, Zhuang Liu, In So Kweon and Saining Xie},
  year={2023},
  journal={arXiv preprint arXiv:2301.00808},
}

Skopiowano z bloku cytowania autorów w raw.githubusercontent.com/facebookresearch/ConvNeXt-V2/main/README.md.