YOLOv3

YOLOv3 — детектор на Darknet-53, который добавил в линейку YOLO многомасштабное предсказание и независимые логистические классификаторы. В LibreYOLO он поставляется как замороженный музейный экспонат только для инференса в размерах tiny, base и SPP.

Задачи: detection
Размеры: t, b, spp at 416 to 608 px
Установка: pip install libreyolo
Уровень поддержки: Музей, начиная с v. Замороженный экспонат. Только исправления ошибок.
Исходный проект: YOLOv3 от Joseph Redmon, Public domain (Darknet "YOLO LICENSE"). Статья, исходный код
Лицензии: Код: MIT, веса: Public domain (Darknet "YOLO LICENSE"). Коммерческое использование

Установка

Для YOLOv3 не нужны дополнительные extra сверх базового пакета.

bash

pip install libreyolo

Предсказание

Это семейство доступно только для инференса: train() выбрасывает NotImplementedError, поэтому на этой странице нет раздела про обучение. Предсказание, валидация и экспорт поддерживаются. Веса скачиваются с Hugging Face при первом запуске и кэшируются локально.

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

Размер SPP

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Вариант SPP добавляет блок spatial pyramid pooling перед головами# детекции и работает со своим родным размером входа.model = LibreYOLO("LibreYOLO3spp.pt")result = model(SAMPLE_IMAGE)

Возвращаемый объект Results — тот же, что возвращают все семейства, поэтому замена на другой детектор — правка в одну строку. conf фильтрует по порогу уверенности, а iou — по порогу NMS; оба применяются на каждом масштабе до того, как рамки со всех трёх голов объединяются. Про источники, стриминг и обработку результатов — в разделе предсказание.

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 проводите валидацию.

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

Экспорт

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

Экспортированный артефакт загружается обратно через LibreYOLO() по суффиксу файла, поэтому файл .onnx или .engine ведёт себя как чекпойнт и возвращает тот же Results. Запуск графа в чистой среде выполнения, без установленной библиотеки LibreYOLO, тоже поддерживается, но тогда предобработку и постобработку придётся писать самостоятельно.

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

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 Results.model = LibreYOLO("LibreYOLO3b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Чекпойнты

Все опубликованные файлы весов этого семейства.

Файл	Вход (пикс.)	Лицензия весов
Detection
LibreYOLO3t.pt	416	other
LibreYOLO3b.pt	416	other
LibreYOLO3spp.pt	608	other

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: YOLOv3, Joseph Redmon
Лицензия исходного проекта: Public domain (Darknet "YOLO LICENSE")
Исходный код проекта: github.com/pjreddie/darknet
Код LibreYOLO: MIT
Веса: Public domain (Darknet "YOLO LICENSE"), повторно опубликованы на huggingface.co/LibreYOLO
Толкование: 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.