Badania i nauka

Stworzone do odkrywania

Baza kodu zaprojektowana dla naukowców, nie tylko dla użytkowników. Modyfikuj bez ograniczeń, analizuj dogłębnie i publikuj bez płacenia za ten przywilej.

Żadnej „licencji badawczej”

Niektóre frameworki pobierają osobne opłaty za licencje „badawcze” lub „naukowe” tylko po to, żeby pozwolić ci zajrzeć do kodu bez publikowania swojej pracy. LibreYOLO tego nie robi.

Typowe „licencje naukowe”

  • Płatność za utrzymanie badań w tajemnicy
  • Opłaty za komercyjne badania i rozwój
  • Skomplikowane poziomy licencji
  • Analiza prawna przed publikacją

LibreYOLO (MIT)

  • Badaj bez ograniczeń, zachowaj to dla siebie
  • Zero opłat w każdym zastosowaniu
  • Jedna prosta licencja: MIT
  • Publikuj bez obaw prawnych
Natywna wyjaśnialność

Zajrzyj do czarnej skrzynki

Wbudowane narzędzia do interpretowalności i wyjaśnialności. Bez zewnętrznych zależności, bez skomplikowanej konfiguracji: wystarczą flagi i wywołania funkcji.

Ekstrakcja map cech

Jedna flaga. Tyle wystarczy, żeby zapisać pośrednie aktywacje z każdej warstwy. Idealne do zrozumienia, co twój model „widzi” na każdym etapie.

feature_maps.py
from libreyolo import LibreYOLO

# Enable feature map saving in constructor
model = LibreYOLO(
    model_path="LibreYOLO11m.pt",
    size="m",
    save_feature_maps=True
)

# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")

# Saved to: runs/feature_maps/
backbone_p1.png
1/11
Mapa cech bloku backbone P1

Wizualizacje CAM

Eksperymentalne

7 wbudowanych metod Class Activation Map. Wywołaj model.explain(), aby wygenerować mapy cieplne pokazujące, na czym skupia się twój model. Ta funkcja jest eksperymentalna i wyniki mogą się różnić.

explainability.py
from libreyolo import LibreYOLO

model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")

# One-line CAM visualization
result = model.explain(
    image="parkour.jpg",
    method="gradcam",
    target_layer="neck_c2f22",
    save=True
)

# Returns heatmap and overlay
print(result["heatmap"].shape)

Zaprojektowane do modyfikacji

Baza kodu jest napisana tak, żeby łatwo się ją czytało i modyfikowało. Chcesz przetestować nowy backbone? Poeksperymentować z własnym mechanizmem uwagi? Dodać nowatorską funkcję straty? Śmiało.

yolov11_custom.py
# Your modified architecture

from libreyolo.models.yolov11 import YOLOv11

class YOLOv11Custom(YOLOv11):
    def __init__(self):
        super().__init__()
        # Swap out the backbone
        self.backbone = MyCustomBackbone()

    def forward(self, x):
        features = self.backbone(x)
        return self.head(self.neck(features))

# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")

Zacznij swoje badania już dziś

Bez opłat licencyjnych. Bez paywalli. Bez ograniczeń w zachowaniu pracy dla siebie. Wystarczy zainstalować i zacząć eksplorować.

$ pip install libreyolo
Zobacz dokumentację