LocateAnything

Instalacja

LocateAnything wymaga dodatku vlm, który instaluje transformers oraz pakiety decord, lmdb i peft importowane podczas wczytywania przez zdalny kod modelu z Hugging Face.

pip install "libreyolo[vlm]"

Predykcja

LibreLocateAnything jest klasą Pythona, a nie checkpointem .pt. Nie jest wczytywany przez fabrykę LibreYOLO(), a CLI libreyolo go nie rozpoznaje. Fabryka LibreVLM(...) (from libreyolo import LibreVLM) także udostępnia tę rodzinę przez alias, na przykład LibreVLM("locate-anything"). Użyta poniżej klasa jest tym, co tworzy ta fabryka. Wczytanie pobiera i wykonuje własny zdalny kod modelu NVIDIA z Hugging Face, dlatego LibreYOLO przypina pobieranie do jednej stałej rewizji commita zamiast zmiennej gałęzi main i jednorazowo wypisuje informację o licencji przed pierwszym pobraniem.

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Otwarty słownik: działają dowolne słowa, a nie stała głowica klas. Ustawienie# obowiązuje w każdym późniejszym wywołaniu predict()/track(), dopóki nie zostanie zmienione.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE # task="point" zwraca jeden punkt dla każdego dopasowanego obiektu zamiast ramki.# Zadania we wczytanym modelu przełącza model.set_task("point").model = LibreLocateAnything(size="3b", task="point")model.set_classes(["the person closest to the camera"])result = model(SAMPLE_IMAGE, save=True) for pt in result.points:    print(pt.cls, pt.conf, pt.xy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Bezpośredni dostęp pod wygodną warstwą detekcji: swobodne pytania,# zliczanie lub dowolny prompt nieobsługiwany przez wrapper ramek.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes (zadanie detect) i result.points (zadanie point) zawierają przetworzone wyjście tak jak w każdej innej rodzinie. Pewność jest wartością zastępczą. LocateAnything nie zwraca wyniku dla poszczególnych ramek, dlatego każda detekcja otrzymuje tę samą stałą pewność, a conf= jedynie odrzuca wiersze poniżej tej stałej, bez ich klasyfikowania. Pominięcie set_classes() pozostawia domyślne nazwy COCO-80. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Warianty

Opublikowano jeden rozmiar, 3b. Dwa zadania współdzielą te same wagi: detect (domyślne) zwraca ramki, a task="point" zwraca zamiast nich jeden punkt na dopasowany obiekt w result.points. We wczytanym modelu można je przełączać za pomocą model.set_task("point"). Zestaw testowy LibreYOLO nie wykonał pomiarów tej rodziny, dlatego nie ma opublikowanych wyników dokładności do porównania.

LibreYOLO udostępnia tę rodzinę wyłącznie do predykcji. train(), val() i export() zawsze zgłaszają NotImplementedError. Model należy dostroić w projekcie źródłowym i wczytać wynik. Walidacja zbioru danych jest pomijana, ponieważ zastępcza pewność nadawałaby metryce COCO mAP mylący charakter, a eksport pozostaje poza zakresem modelu generatywnego bez state dict możliwego do śledzenia.

Licencja

Cytowanie

@article{wang2025locateanything,
  title   = {LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding},
  author  = {Shihao Wang and Shilong Liu and Yuanguo Kuang and Xinyu Wei and
             Yangzhou Liu and Zhiqi Li and Yunze Man and Guo Chen and
             Andrew Tao and Guilin Liu and Jan Kautz and Lei Zhang and Zhiding Yu},
  journal = {arXiv:2605.27365},
  year    = {2026},
}