RF-DETR

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # Qualquer fonte que a biblioteca aceita: arquivo, pasta, URL, índice de# webcam, stream RTSP ou uma lista .streamsfor result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=512, batch=8, lr0=1e-4)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 imgsz=512 batch=8 lr0=1e-4

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, lora=True)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=-1

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # val() retorna um dict simples, não um objetometrics = model.val(data="my-dataset.yaml", imgsz=512) print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreRFDETRs.pt data=my-dataset.yaml imgsz=512

# O yaml do COCO que vem junto carrega um script de download embutido,# então ele precisa de permissão explícita a menos que o dataset já# esteja local.libreyolo val model=LibreRFDETRn.pt data=coco.yaml imgsz=384 \  allow_download_scripts=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True) # Argumentos aceitos por todos os formatos:##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai".#             "engine" é um alias para tensorrt, e "litert" para tflite.#   imgsz     int, ou (altura, largura). Por padrão, a resolução nativa#             do checkpoint.#   batch     int, padrão 1.#   half      bool, exporta em FP16. Padrão False.#   int8      bool, exporta em INT8. Padrão False. Precisa de `data`.#   data      caminho para um YAML de dataset, usado para calibrar o int8.#   fraction  float, parcela desse conjunto de calibração a usar. Padrão 1.0.#   dynamic   bool, eixos dinâmicos. Padrão True.#   simplify  bool, roda a simplificação do grafo ONNX. Padrão True.#   opset     int, opset do ONNX. Escolhido por família quando não informado.#   device    str, dispositivo em que rastrear. Padrão: o do modelo.#   output_path  str, padrão é um nome derivado do checkpoint.#   verbose   bool, padrão False.#   allow_download_scripts  bool, padrão False. Permite Python embutido#             em um YAML de dataset que precise ser baixado.## Alguns formatos aceitam argumentos extras próprios, como uma# plataforma alvo de RKNN. Esses estão documentados na página de cada# formato.

libreyolo export model=LibreRFDETRs.pt format=onnx imgsz=512libreyolo export model=LibreRFDETRs.pt format=tensorrt imgsz=512 half=True

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

import numpy as npimport onnxruntime as ort # Rodar o grafo diretamente significa fazer seu próprio pré-processamento# e pós-processamento. Inspecione a assinatura antes de ligar qualquer# coisa.session = ort.InferenceSession("LibreRFDETRs.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 512, 512), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)