YOLOv3

O YOLOv3 é o detector com Darknet-53 que trouxe predição em múltiplas escalas e classificadores logísticos independentes para a linha YOLO. O LibreYOLO o mantém como uma peça de museu congelada e somente de inferência, nos tamanhos tiny, base e SPP.

Tarefas: detection
Tamanhos: t, b, spp at 416 to 608 px
Instalação: pip install libreyolo
Nível de suporte: Museu, desde a v. Exposição congelada. Somente correções de bugs.
Origem: YOLOv3 por Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Artigo, código-fonte
Licenças: Código MIT, pesos Public domain (Darknet "YOLO LICENSE"). Uso comercial

Instalação

O YOLOv3 não precisa de nada além do pacote base.

bash

pip install libreyolo

Predição

Esta família é somente de inferência: train() lança NotImplementedError, então esta página não tem seção de treinamento. Predição, validação e exportação são todas suportadas. Os pesos são baixados do Hugging Face no primeiro uso e ficam em cache local.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO3b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO3b.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Tamanho SPP

from libreyolo import LibreYOLO, SAMPLE_IMAGE # A variante SPP adiciona um bloco de spatial pyramid pooling antes# das cabeças de detecção e roda no seu próprio tamanho nativo de entrada.model = LibreYOLO("LibreYOLO3spp.pt")result = model(SAMPLE_IMAGE)

O objeto Results retornado é o mesmo que todas as famílias retornam, então trocar por outro detector é uma mudança de uma linha. conf filtra o limiar de confiança e iou o limiar de NMS, aplicados por escala antes de as caixas das três cabeças serem juntadas. Veja predição para fontes, streaming e tratamento de resultados.

Validação

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

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO3b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO3b.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: compatível	Detection to TFLite: incompatível	Detection to CoreML: incompatível	Detection to Core AI: compatível

Um artefato exportado carrega de volta por LibreYOLO() pela extensão do arquivo, então um arquivo .onnx ou .engine se comporta como um checkpoint e retorna o mesmo Results. Rodar o grafo em um runtime puro, sem o LibreYOLO instalado, também é suportado, mas aí o pré-processamento e o pós-processamento ficam por sua conta.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO3b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO3b.pt format=onnxlibreyolo export model=LibreYOLO3b.pt format=tensorrt half=True

Usar o arquivo exportado

from libreyolo import LibreYOLO, SAMPLE_IMAGE # A factory roteia pela extensão do arquivo, então um artefato exportado# carrega como qualquer checkpoint e retorna o mesmo objeto Results.model = LibreYOLO("LibreYOLO3b.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
LibreYOLO3t.pt	416	other
LibreYOLO3b.pt	416	other
LibreYOLO3spp.pt	608	other

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: YOLOv3, Joseph Redmon
Licença original: Public domain (Darknet "YOLO LICENSE")
Código-fonte original: github.com/pjreddie/darknet
Código do LibreYOLO: MIT
Pesos: Public domain (Darknet "YOLO LICENSE"), republicado em huggingface.co/LibreYOLO
Interpretação: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT.