YOLOX

Instalacja

YOLOX nie wymaga żadnego dodatku poza pakietem podstawowym.

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

libreyolo predict model=LibreYOLOXs.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. Argument conf ustawia próg pewności, a iou próg NMS stosowany do trzech rozdzielonych skal predykcji. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Warianty

Sześć rozmiarów współdzieli ten sam backbone CSP i neck PAFPN. Dwa najmniejsze, n i t, działają przy mniejszej stałej rozdzielczości wejściowej niż pozostałe cztery. Poniższa tabela benchmarku podaje dokładną wartość dla każdego rozmiaru.

Trenowanie

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Bez zmian konfiguracji trener wykonuje 300 epok z lr0=0.01, momentum SGD 0.9, 5 epokami rozgrzewki oraz augmentacjami mosaic i mixup wyłączonymi na ostatnie 15 epok. train() przyjmuje także argument pretrained, ale jego wartość nie jest odczytywana wewnątrz metody. Trenowanie zawsze jest kontynuowane od wag, z którymi utworzono model, dlatego pretrained=False nie inicjuje sieci ponownie.

imgsz domyślnie przyjmuje stałą wartość z podstawowej konfiguracji trenowania, a nie natywną rozdzielczość wczytanego checkpointu. Ma to szczególne znaczenie dla checkpointów n i t. Kontynuowanie trenowania któregokolwiek bez jawnego ustawienia imgsz przełącza go na większą wartość domyślną zamiast mniejszego rozmiaru, w którym został opublikowany.

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

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 trenowania.

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

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

# Dołączony plik yaml COCO zawiera osadzony skrypt pobierania, dlatego wymaga# jawnego zezwolenia, chyba że zbiór danych jest już dostępny lokalnie.libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

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. Obsługiwane jest także uruchomienie grafu w samym środowisku uruchomieniowym bez zainstalowanego LibreYOLO, ale wtedy należy samodzielnie napisać przetwarzanie wstępne i końcowe. Eksport CoreML może wbudować NMS w graf za pomocą nms=True. YOLOX i YOLOv9 są jedynymi dwiema rodzinami, które obecnie przyjmują tę flagę.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Licencja

Cytowanie

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}