ResNet

Instalacja

ResNet nie wymaga żadnego opcjonalnego dodatku. Wszystkie importowane elementy znajdują się w instalacji podstawowej.

pip install libreyolo

Predykcja

Przy pierwszym użyciu wagi są pobierane z Hugging Face i zapisywane w lokalnej pamięci podręcznej.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreResNet50-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreResNet50-cls.pt source=cat.jpg save=True

Zwracany obiekt Results jest taki sam dla każdej rodziny, więc zmiana modelu wymaga zmiany jednego wiersza. Klasyfikator nie zawiera ramek ani masek: result.probs przechowuje predykcję całego obrazu z polami top1, top5, top1conf i top5conf. Argumenty conf, iou i max_det są przyjmowane dla zgodności API, ale nie mają wpływu na wynik, ponieważ w pojedynczym wektorze prawdopodobieństwa nie ma czego progować ani tłumić. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Warianty

Dostępne są cztery głębokości, wszystkie trenowane i ewaluowane w ten sam sposób, dlatego wybór jest bezpośrednim kompromisem między liczbą parametrów a dokładnością. Zadanie jest stałe: każdy rozmiar obsługuje wyłącznie klasyfikację. Nazwa pliku wag każdego rozmiaru kończy się na -cls.pt, a fabryka odczytuje ten sufiks, aby wybrać rodzinę. Argument task= nie jest potrzebny.

Trenowanie

Dostrajanie rozpoczyna się od opublikowanego backbone ImageNet, a ostatnia warstwa klasyfikatora jest automatycznie przebudowywana do liczby klas docelowego zbioru danych.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Bez zmian konfiguracji trener wykonuje 100 epok z lr0=1e-3, optymalizatorem AdamW, batchem 64 i early stopping (wczesnym zatrzymaniem) po 50 epokach bez poprawy. Argument data przyjmuje katalog główny zbioru danych (train/ i val/, po jednym folderze na klasę), znaną krótką nazwę, taką jak imagenette160, albo adres URL pliku .zip. Ustawienie lora=True nie jest tu obsługiwane i powoduje błąd, ponieważ LoRA w LibreYOLO działa na komponentach transformerowych z warstwami nn.Linear, których ResNet nie ma.

Informacje o zbiorach danych, augmentacji, wielu GPU i loggerach zawiera strona trenowania.

Walidacja

val() zwraca słownik kluczy metrics/. Dla klasyfikacji są to metryki accuracy top-1 i top-5 dla podzbioru walidacyjnego.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreResNet50-cls.pt data=imagenette160

Eksport

Wyeksportowany artefakt jest ponownie ładowany przez LibreYOLO() na podstawie rozszerzenia pliku, więc plik .onnx lub .engine zachowuje się jak checkpoint i zwraca ten sam obiekt Results. Strona eksportu wymienia argumenty obsługiwane przez każdy format oraz dodatki wymagane przez niektóre z nich.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreResNet50-cls.pt format=onnxlibreyolo export model=LibreResNet50-cls.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Fabryka wybiera ścieżkę na podstawie rozszerzenia pliku, więc wyeksportowany artefakt# ładuje się jak każdy checkpoint i zwraca ten sam obiekt Results.model = LibreYOLO("LibreResNet50-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Licencja

Cytowanie

@article{He2015,
	author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
	title = {Deep Residual Learning for Image Recognition},
	journal = {arXiv preprint arXiv:1512.03385},
	year = {2015}
}