RetinaNet

RetinaNet — одностадийный детектор, который обучается с функцией потерь focal loss: она снижает вклад простых отрицательных примеров, поэтому плотной сетке якорей больше не нужен отдельный этап генерации предложений, чтобы оставаться точной. LibreYOLO переносит реализацию из torchvision для детекции.

Задачи: detection
Размеры: r50, r50v2 at 800 px
Установка: pip install libreyolo
Уровень поддержки: Только инференс, начиная с v. Только предсказание, валидация и экспорт. Функции обучения неприменимы.
Исходный проект: RetinaNet от PyTorch, BSD-3-Clause. Статья, исходный код
Лицензии: Код: BSD-3-Clause, веса: BSD-3-Clause. Коммерческое использование

Установка

RetinaNet не нужны опциональные extra. Всё, что он импортирует, входит в базовую установку.

bash

pip install libreyolo

Предсказание

Веса скачиваются с Hugging Face при первом запуске и кэшируются локально.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreRetinaNetr50v2.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreRetinaNetr50v2.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Возвращаемый объект Results — тот же, что возвращают все семейства, поэтому замена на другой детектор — правка в одну строку. conf и iou задают пороги уверенности и NMS; RetinaNet сохраняет шаг NMS из оригинальной реализации по плотной сетке якорей. Про источники, стриминг и обработку результатов — в разделе предсказание.

Варианты

Два размера, оба на ResNet-50 с пирамидой признаков: r50 — оригинальная голова, а r50v2 заменяет её головой с GroupNorm и более широким блоком P6, который питается с последней стадии бэкбона, а не с выхода FPN.

Валидация

val() возвращает словарь с ключами metrics/, покрывающими точность, полноту, mAP 50 и mAP 50-95, измеренные на любом датасете в том формате, в котором вы обучали модель.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreRetinaNetr50v2.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreRetinaNetr50v2.pt data=my-dataset.yaml

Экспорт

Задача	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: поддерживается	Detection to TorchScript: не поддерживается	Detection to ExecuTorch: не поддерживается	Detection to TensorRT: не поддерживается	Detection to OpenVINO: не поддерживается	Detection to Paddle: не поддерживается	Detection to MNN: не поддерживается	Detection to RKNN: не поддерживается	Detection to ncnn: не поддерживается	Detection to TFLite: не поддерживается	Detection to CoreML: не поддерживается	Detection to Core AI: не поддерживается

RetinaNet экспортируется только в ONNX и только с размером батча 1. RetinaNet масштабирует вход к переменному размеру с сохранением пропорций, поэтому LibreYOLO принудительно ставит dynamic=True независимо от переданного значения — так граф остаётся корректным для источников разной формы. Экспортированный файл .onnx загружается обратно через LibreYOLO() по суффиксу файла и возвращает тот же Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreRetinaNetr50v2.pt")model.export(format="onnx", imgsz=800)

CLI

libreyolo export model=LibreRetinaNetr50v2.pt format=onnx imgsz=800

Использование экспортированного файла

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Фабрика выбирает путь по суффиксу файла, поэтому экспортированный артефакт# загружается как любой чекпойнт и возвращает тот же объект Results.model = LibreYOLO("LibreRetinaNetr50v2.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Чекпойнты

Все опубликованные файлы весов этого семейства.

Файл	Вход (пикс.)	Лицензия весов
Detection
LibreRetinaNetr50.pt	800	bsd-3-clause
LibreRetinaNetr50v2.pt	800	bsd-3-clause

Все перечисленные выше файлы уже доступны в организации LibreYOLO и скачиваются при первом использовании.

Лицензирование

Проверяйте лицензию в репозитории конкретных весов на Hugging Face. Она указана для каждого чекпойнта в организации LibreYOLO и может различаться даже внутри одного семейства. Этот репозиторий считается авторитетным источником, а сводка ниже описывает условия на момент последней проверки страницы.

Это описание соответствующих лицензий, а не юридическая консультация. Если ответ важен для коммерческого использования, прочитайте лицензии самостоятельно и проконсультируйтесь с юристом.

Оригинальная работа: RetinaNet, PyTorch
Лицензия исходного проекта: BSD-3-Clause
Исходный код проекта: github.com/pytorch/vision
Код LibreYOLO: MIT
Веса: BSD-3-Clause, повторно опубликованы на huggingface.co/LibreYOLO
Толкование: BSD-3-Clause is a permissive license, so this code can be used in commercial and closed-source products with no obligation on your own application code. It asks only that you keep the copyright notice and disclaimer with any copy you redistribute, and it carries no patent grant. The two published checkpoints used for parity testing are not distributed in the LibreYOLO source tree: torchvision's own documentation notes that a pretrained model's terms may depend on its training data, so each Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.