YOLOv1

YOLOv1 to oryginalny detektor z 2016 roku, od którego nazwę wzięła rodzina YOLO: jedna sieć konwolucyjna z głowicą w pełni połączoną przewiduje wszystkie ramki i wyniki klas w jednym przebiegu, bez ramek kotwic. LibreYOLO udostępnia go jako zamrożony eksponat przeznaczony wyłącznie do inferencji.

Zadania: detection
Rozmiary: t, b at 448 px
Instalacja: pip install libreyolo
Poziom obsługi: Muzealny, od wersji v. Zamrożony eksponat. Tylko poprawki błędów.
Projekt źródłowy: YOLOv1, autorzy: Joseph Redmon, licencja: Public domain (Darknet "YOLO LICENSE"). Publikacja, kod źródłowy
Licencje: Kod: MIT, wagi: Public domain (Darknet "YOLO LICENSE"). Użycie komercyjne

Instalacja

YOLOv1 nie wymaga żadnego dodatku poza pakietem podstawowym.

bash

pip install libreyolo

Predykcja

Ta rodzina służy wyłącznie do inferencji: train() zgłasza NotImplementedError, dlatego strona nie zawiera sekcji Trenowanie. Obsługiwane są predykcja, walidacja i eksport. Przy pierwszym użyciu wagi są pobierane z Hugging Face i zapisywane w lokalnej pamięci podręcznej.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO1b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO1b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Zwracany obiekt Results jest taki sam dla każdej rodziny, więc zmiana detektora wymaga zmiany jednego wiersza. Dwie kwestie są charakterystyczne dla tej rodziny. Opublikowany checkpoint wytrenowano na Pascal VOC (2007+2012), a nie COCO, dlatego box.cls indeksuje 20 kategorii VOC (aeroplane, bicycle, bird, boat, bottle, bus, car, cat, chair, cow, diningtable, dog, horse, motorbike, person, pottedplant, sheep, sofa, train, tvmonitor) zamiast 80 kategorii COCO. Ponadto w pełni połączona głowica detekcji przyjmuje jeden obraz na raz, dlatego lista źródeł jest przetwarzana w pętli zamiast w prawdziwym batchu. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Walidacja

val() zwraca słownik kluczy metrics/, który obejmuje precision, recall, mAP 50 i mAP 50-95, zmierzone względem zbioru danych w tej samej przestrzeni etykiet w stylu VOC, na której wytrenowano checkpoint.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO1b.pt data=my-dataset.yaml

Eksport

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

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. Obsługiwane jest także uruchomienie grafu w samym środowisku uruchomieniowym bez zainstalowanego LibreYOLO, ale wtedy należy samodzielnie napisać przetwarzanie wstępne i końcowe.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO1b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO1b.pt format=onnxlibreyolo export model=LibreYOLO1b.pt format=tensorrt half=True

Użycie wyeksportowanego pliku

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("LibreYOLO1b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Plik	Wejście (px)	Licencja wag
Detection
LibreYOLO1b.pt	448	other

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

Licencja

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: YOLOv1, Joseph Redmon
Licencja projektu źródłowego: Public domain (Darknet "YOLO LICENSE")
Kod źródłowy projektu: github.com/pjreddie/darknet
Kod LibreYOLO: MIT
Wagi: Public domain (Darknet "YOLO LICENSE"), ponownie opublikowane w huggingface.co/LibreYOLO
Interpretacja: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT. One thing to know before deploying this checkpoint: it is trained on Pascal VOC 2007+2012, not COCO, so it detects and names the 20 VOC categories rather than the 80 COCO ones.