YOLOX

Instalação

O YOLOX não precisa de nenhum extra além do pacote base.

pip install libreyolo

Predição

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

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

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

O objeto Results retornado é o mesmo que todas as famílias retornam, então trocar por outro detector é uma mudança de uma linha. conf define o limiar de confiança e iou o limiar de NMS aplicado nas três escalas de predição desacopladas. Veja predição para fontes, streaming e tratamento de resultados.

Variantes

Seis tamanhos compartilham o mesmo backbone CSP e o mesmo neck PAFPN. Os dois menores, n e t, rodam em uma resolução de entrada fixa menor que a dos outros quatro; a tabela de benchmark abaixo traz o número exato de cada um.

Treinamento

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Sem nenhum ajuste, o treinador roda 300 épocas com lr0=0.01, SGD com momentum 0.9, um warmup de 5 épocas e o data augmentation de mosaic e mixup desligado nas últimas 15 épocas. train() também aceita um argumento pretrained, mas o valor nunca é lido dentro do método: o treinamento sempre continua a partir dos pesos com que o modelo foi construído, então pretrained=False não reinicializa a rede.

imgsz assume por padrão um valor fixo da configuração base de treinamento, e não a resolução nativa do checkpoint carregado. Isso afeta especificamente os checkpoints n e t: continuar a treinar qualquer um dos dois sem definir imgsz explicitamente o eleva ao padrão maior, em vez do tamanho menor com que foi publicado.

Veja treinamento para datasets, data augmentation, multi-GPU e loggers.

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 treinou.

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

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

# O yaml do COCO incluído carrega um script de download embutido, então# precisa de permissão explícita a menos que o dataset já esteja local.libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

Exportação

Um artefato exportado carrega de volta através de 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. Uma exportação para CoreML pode embutir o NMS no grafo com nms=True; YOLOX e YOLOv9 são as duas únicas famílias que essa flag aceita atualmente.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 half=True

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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos os arquivos de pesos publicados desta família.

Licenciamento

Citação

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}