DETR

O DETR é o transformer de detecção original: ele prevê um conjunto fixo de objetos com um decoder transformer casado por matching húngaro, em vez de âncoras ou de uma grade densa. O LibreYOLO traz quatro tamanhos para detecção, apenas para inferência.

Tarefas: detection
Tamanhos: r50, r50dc5, r101, r101dc5 at 800 px
Instalação: pip install libreyolo
Nível de suporte: Somente inferência, desde a v. Somente predição, validação e exportação. Os recursos de treinamento não se aplicam.
Origem: DETR por Meta AI (FAIR), Apache-2.0. Artigo, código-fonte
Licenças: Código Apache-2.0, pesos Apache-2.0. Uso comercial

Instalação

O DETR não precisa de nenhum extra opcional. Tudo o que ele importa está na instalação base.

bash

pip install libreyolo

Predição

Os pesos são baixados do Hugging Face no primeiro uso e ficam em cache local.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDETRr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreDETRr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

O objeto Results devolvido é o mesmo que todas as famílias devolvem, então trocar por outro detector é uma mudança de uma linha. conf e max_det filtram a seleção de queries; iou é aceito por paridade de API, mas não tem efeito, porque o decoder é um preditor de conjunto, sem etapa de NMS. Veja predição para fontes, streaming e tratamento de resultados.

No LibreYOLO, o DETR é apenas para inferência. O projeto original treina por 500 épocas com matching húngaro; essa receita não está implementada aqui, então train() levanta NotImplementedError.

Variantes

Quatro checkpoints combinam duas profundidades de backbone, ResNet-50 ou ResNet-101, com um estágio C5 dilatado opcional: as variantes DC5 mantêm o último estágio do backbone em resolução plena em vez de reduzir a escala mais uma vez, então o decoder lê um mapa de características (feature map) mais fino a partir do mesmo tamanho de entrada. As quatro compartilham 100 object queries aprendidas e um encoder-decoder transformer de seis camadas, e todas rodam na mesma resolução de entrada.

Validação

val() devolve um dicionário de chaves metrics/ cobrindo precisão, recall, mAP 50 e mAP 50-95, medidos sobre qualquer dataset no formato em que você treinou.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt") # val() devolve um dict simples, não um objetometrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

CLI

libreyolo val model=LibreDETRr50.pt data=my-dataset.yaml

Exportação

Tarefa	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: compatível	Detection to TorchScript: compatível	Detection to ExecuTorch: compatível	Detection to TensorRT: compatível	Detection to OpenVINO: compatível	Detection to Paddle: incompatível	Detection to MNN: incompatível	Detection to RKNN: incompatível	Detection to ncnn: incompatível	Detection to TFLite: incompatível	Detection to CoreML: incompatível	Detection to Core AI: incompatível

Um artefato exportado é carregado de volta pelo LibreYOLO() a partir da extensão do arquivo, então um arquivo .onnx ou .engine se comporta como um checkpoint e devolve o mesmo Results. Exportação lista os argumentos que todo formato aceita.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDETRr50.pt")model.export(format="onnx", imgsz=800)model.export(format="tensorrt", imgsz=800, half=True)

CLI

libreyolo export model=LibreDETRr50.pt format=onnx imgsz=800libreyolo export model=LibreDETRr50.pt format=tensorrt imgsz=800 half=True

Usar o arquivo exportado

from libreyolo import LibreYOLO, SAMPLE_IMAGE # A factory decide pela extensão do arquivo, então um artefato exportado# carrega como qualquer checkpoint e devolve o mesmo objeto Results.model = LibreYOLO("LibreDETRr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos os arquivos de pesos publicados desta família.

Arquivo	Entrada (px)	Licença dos pesos
Detection
LibreDETRr50dc5.pt	800	apache-2.0
LibreDETRr50.pt	800	apache-2.0
LibreDETRr101dc5.pt	800	apache-2.0
LibreDETRr101.pt	800	apache-2.0

Todos os arquivos acima existem hoje na organização LibreYOLO e são baixados no primeiro uso.

Licenciamento

Confira a licença no repositório do Hugging Face correspondente aos pesos que você baixar. Cada checkpoint na organização LibreYOLO tem uma licença, e ela nem sempre é a mesma em toda a família. Esse repositório é a fonte oficial. O resumo abaixo descreve o que se aplicava na última verificação desta página.

Esta é uma descrição das licenças envolvidas, não uma orientação jurídica. Se a resposta tiver importância comercial, leia as licenças e procure sua própria assessoria.

Trabalho original: DETR, Meta AI (FAIR)
Licença original: Apache-2.0
Código-fonte original: github.com/facebookresearch/detr
Código do LibreYOLO: MIT
Pesos: Apache-2.0, republicado em huggingface.co/LibreYOLO
Interpretação: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code, and weights you train yourself on your own data are yours. The four checkpoints are the official releases linked from the Apache-2.0 repository's model zoo, and the official Hugging Face DETR card independently declares the same license.