Pesquisa e ciência

Feito para descobrir

Uma base de código feita para pesquisadores, não só para usuários. Modifique à vontade, inspecione a fundo e publique sem pagar pelo privilégio.

Sem "licença de pesquisa"

Alguns frameworks cobram taxas à parte por licenças de "pesquisa" ou "ciência" só para deixar você inspecionar o código sem publicar o seu trabalho. O LibreYOLO não.

"Licenças científicas" típicas

  • Pagar para manter a pesquisa privada
  • Taxas para P&D comercial
  • Níveis de licença complexos
  • Revisão jurídica para publicar

LibreYOLO (MIT)

  • Pesquise à vontade, mantenha privado
  • Zero taxas para qualquer caso de uso
  • Uma licença simples: MIT
  • Publique sem preocupações jurídicas
Explicabilidade nativa

Veja dentro da caixa-preta

Ferramentas integradas de interpretabilidade e explicabilidade. Sem dependências externas nem configuração complexa: só flags e chamadas de função.

Extração de mapas de características

Uma flag. É só isso que basta para salvar as ativações intermediárias de cada camada. Perfeito para entender o que o seu modelo "vê" em cada etapa.

feature_maps.py
from libreyolo import LibreYOLO

# Enable feature map saving in constructor
model = LibreYOLO(
    model_path="LibreYOLO11m.pt",
    size="m",
    save_feature_maps=True
)

# Run inference - feature maps auto-saved
results = model(image="parkour.jpg")

# Saved to: runs/feature_maps/
backbone_p1.png
1/11
Mapa de características (feature map) P1 do backbone

Visualizações CAM

Experimental

7 métodos de Class Activation Map integrados. Chame model.explain() para gerar mapas de calor que mostram no que o seu modelo presta atenção. Este recurso é experimental e os resultados podem variar.

explainability.py
from libreyolo import LibreYOLO

model = LibreYOLO(model_path="LibreYOLO11m.pt", size="m")

# One-line CAM visualization
result = model.explain(
    image="parkour.jpg",
    method="gradcam",
    target_layer="neck_c2f22",
    save=True
)

# Returns heatmap and overlay
print(result["heatmap"].shape)

Feito para ser modificado

A base de código é escrita para ser fácil de ler e modificar. Quer testar um backbone novo? Experimentar um mecanismo de atenção próprio? Adicionar uma função de perda inédita? Vá em frente.

yolov11_custom.py
# Your modified architecture

from libreyolo.models.yolov11 import YOLOv11

class YOLOv11Custom(YOLOv11):
    def __init__(self):
        super().__init__()
        # Swap out the backbone
        self.backbone = MyCustomBackbone()

    def forward(self, x):
        features = self.backbone(x)
        return self.head(self.neck(features))

# Train it:
model = YOLOv11Custom()
model.train(data="my_dataset.yaml")

Comece sua pesquisa hoje

Sem taxas de licença. Sem paywalls. Sem restrições para manter o seu trabalho privado. É só instalar e começar a explorar.

$ pip install libreyolo
Ver a documentação