LFM2-VL

Instalação

O LFM2-VL precisa do extra vlm, que traz junto o transformers para o backbone de template de chat.

pip install "libreyolo[vlm]"

Predição

LibreLFM2VL é uma classe Python, não um checkpoint .pt: ela não é carregada pela fábrica LibreYOLO(), e a CLI do libreyolo não a resolve. A fábrica LibreVLM(...) (from libreyolo import LibreVLM) também alcança esta família por alias, por exemplo LibreVLM("lfm2-vl-450m"); a classe usada abaixo é o que ela constrói. Os pesos vêm do próprio repositório da Liquid AI no Hugging Face, e não de um mirror do LibreYOLO; a primeira chamada faz o download e os deixa em cache localmente, e registra no log um aviso de licença uma única vez antes disso.

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Vocabulário aberto: qualquer palavra vale, não uma cabeça fixa.# Persiste nas chamadas a predict()/track() até ser definido de novo.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # A saída de escape por baixo da conveniência de detecção: perguntas# livres, contagem ou qualquer prompt que o wrapper de caixas não cobre.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes traz as detecções parseadas como em qualquer outra família. A confiança é um placeholder: o LFM2-VL não emite score por caixa, então toda detecção recebe a mesma confiança constante, e conf= apenas descarta as linhas abaixo dessa constante, sem ordená-las. iou descarta caixas quase duplicadas da mesma classe acima da sobreposição informada, um efeito colateral de o decoding guloso repetir um objeto; não é uma passada de NMS por classe. Pule set_classes() e o vocabulário assume por padrão os nomes do COCO-80. Veja predição para fontes, streaming e tratamento de resultados.

Variantes

Dois tamanhos: 450m e 1.6b, ambos da versão LFM2.5-VL da Liquid AI, feitos para deploy no dispositivo. O harness de benchmark do LibreYOLO não mediu esta família, então não há números de acurácia publicados para compará-los; escolha um tamanho de acordo com o seu próprio orçamento de computação.

O LibreYOLO expõe esta família apenas para predição. train(), val() e export() lançam NotImplementedError: faça fine-tuning upstream e carregue o resultado, a validação em dataset fica de fora porque uma confiança de placeholder tornaria o mAP do COCO enganoso, e a exportação está fora de escopo para um modelo generativo sem state dict para rastrear.

Licenciamento

Citação

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}