YOLOv3

YOLOv3 to detektor Darknet-53, który dodał do rodziny YOLO predykcję wieloskalową i niezależne klasyfikatory logistyczne. LibreYOLO udostępnia go jako zamrożony eksponat przeznaczony wyłącznie do inferencji, w rozmiarach tiny, base i SPP.

Zadania: detection
Rozmiary: t, b, spp at 416 to 608 px
Instalacja: pip install libreyolo
Poziom obsługi: Muzealny, od wersji v. Zamrożony eksponat. Tylko poprawki błędów.
Projekt źródłowy: YOLOv3, autorzy: Joseph Redmon, licencja: Public domain (Darknet "YOLO LICENSE"). Publikacja, kod źródłowy
Licencje: Kod: MIT, wagi: Public domain (Darknet "YOLO LICENSE"). Użycie komercyjne

Instalacja

YOLOv3 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("LibreYOLO3b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO3b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Rozmiar SPP

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Wariant SPP dodaje blok spatial pyramid pooling przed głowicami# detekcji i działa przy własnym natywnym rozmiarze wejścia.model = LibreYOLO("LibreYOLO3spp.pt")result = model(SAMPLE_IMAGE)

Zwracany obiekt Results jest taki sam dla każdej rodziny, więc zmiana detektora wymaga zmiany jednego wiersza. Argument conf filtruje próg pewności, a iou próg NMS, stosowane osobno dla każdej skali przed połączeniem ramek ze wszystkich trzech głowic. 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 dowolnego zbioru danych w formacie użytym do walidacji.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO3b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO3b.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("LibreYOLO3b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO3b.pt format=onnxlibreyolo export model=LibreYOLO3b.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("LibreYOLO3b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Plik	Wejście (px)	Licencja wag
Detection
LibreYOLO3t.pt	416	other
LibreYOLO3b.pt	416	other
LibreYOLO3spp.pt	608	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: YOLOv3, 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.