DETR

Instalacja

DETR nie potrzebuje żadnych dodatkowych opcji. Wszystko, co importuje, znajduje się w instalacji bazowej.

pip install libreyolo

Predykcja

Wagi są pobierane z Hugging Face przy pierwszym użyciu i są przechowywane lokalnie w pamięci podręcznej.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDETRr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreDETRr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Zwrócony obiekt Results jest tym, który zwraca każda rodzina, więc zamiana na inny detektor to zmiana jednej linii. conf i max_det filtrują wybór zapytania; iou jest akceptowany dla zgodności z API, ale nie ma efektu, ponieważ dekoder jest przewidującym zestaw, który nie ma kroku NMS. Zobacz predykcja dla źródeł, streaming i obsługi wyników.

DETR jest tylko do inferencji w LibreYOLO. Wstępne trenowanie odbywa się przez 500 epok z dopasowaniem węgierskim; ta receptura nie jest tutaj zaimplementowana, więc train() generuje NotImplementedError.

Warianty

Cztery checkpointy łączą dwie głębokości backbone, ResNet-50 lub ResNet-101, z opcjonalnym etapem rozszerzonym C5: warianty DC5 zachowują ostatni etap backbone w pełnej rozdzielczości zamiast dalszego próbkowania w dół, dzięki czemu dekoder odczytuje dokładniejszą mapę cech z tego samego rozmiaru wejściowego. Wszystkie cztery dzielą 100 wyuczonych zapytań dotyczących obiektów oraz sześciowarstwowy enkoder-dekoder transformera, a wszystkie działają przy tej samej rozdzielczości wejściowej.

Walidacja

val() zwraca słownik kluczy metrics/ obejmujących dokładność, recall, mAP 50 i mAP 50-95, mierzone względem dowolnego zbioru danych w formacie, na którym byłeś trenowany.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt") # val() zwraca zwykły słownik, a nie obiektmetrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreDETRr50.pt data=my-dataset.yaml

Eksport

Eksportowany artefakt ładuje się z powrotem przez LibreYOLO() na podstawie jego rozszerzenia pliku, więc plik .onnx lub .engine zachowuje się jak checkpoint i zwraca ten sam Results. Eksport wymienia argumenty akceptowane przez każdy format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt")model.export(format="onnx", imgsz=800)model.export(format="tensorrt", imgsz=800, half=True)

libreyolo export model=LibreDETRr50.pt format=onnx imgsz=800libreyolo export model=LibreDETRr50.pt format=tensorrt imgsz=800 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Fabryka kieruje na podstawie rozszerzenia pliku, więc eksportowany artefakt się ładuje# jak każdy checkpoint i zwraca ten sam obiekt Results.model = LibreYOLO("LibreDETRr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpointy

Każdy opublikowany plik wag dla tej rodziny.

Licencjonowanie