Быстрый старт

Установка

pip install libreyolo

Этого достаточно для разделов про предсказание и обучение ниже. Для экспорта в ONNX добавляется одна дополнительная зависимость; полный список — в разделе установка.

Предсказание

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Скачивает чекпойнт при первом запуске и кэширует его в weights/.model = LibreYOLO("LibreYOLO9t.pt") # Одно изображение возвращает один объект Results.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True отдаёт по одному Results на кадр, а не собирает весь список.# Вместо пути можно указать индекс веб-камеры, RTSP-URL или каталог.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO() — фабрика. Она читает файл, определяет, какому семейству принадлежат веса, и возвращает модель этого семейства, поэтому переход на другой детектор — правка в одну строку. Если передать LibreYOLO9t.pt без каталога, файл ищется как weights/LibreYOLO9t.pt относительно рабочего каталога и скачивается туда, когда его нет. Правила скачивания и работа без сети описаны в разделе чекпойнты и веса.

save=True записывает аннотированную копию в runs/detect/, в каталог predict, номер которого увеличивается с каждым запуском. Возвращаемый Results содержит boxes, а names сопоставляет индекс класса с его меткой. Путь к одному изображению возвращает один Results; каталог, список изображений или stream=True возвращают список или генератор из них.

Обучение

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8 — датасет из 8 изображений в комплекте с библиотекой. Он# скачивается по URL при первом запуске — запускать ничего не нужно.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() возвращает обычный dict, а не объект.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data — YAML датасета. coco8.yaml идёт вместе с библиотекой, поэтому сниппет работает сразу после вставки; имя, которого нет в комплекте, читается как путь. Датасеты ищутся в ~/datasets или в LIBREYOLO_DATASETS_DIR, когда эта переменная задана.

Запуск пишет в project/name, по умолчанию — в каталог внутри runs/train, а внутри него лежат weights/best.pt и weights/last.pt. train() возвращает словарь, в котором есть save_dir, best_checkpoint, last_checkpoint, значения функции потерь по эпохам и метрики валидации по эпохам. Обученный чекпойнт загружается через LibreYOLO() точно так же, как предобученный.

Обучать можно не каждое семейство. Там, где семейство поставляется только для инференса, train() выбрасывает NotImplementedError и сообщает об этом. Основные понятия объясняют, что означает каждый уровень поддержки.

Экспорт

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() возвращает путь, по которому записал файл.path = model.export(format="torchscript")print(path) # Фабрика определяет формат по суффиксу файла, поэтому артефакт# загружается обратно как чекпойнт и возвращает тот же объект Results.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript не требует ничего сверх базовой установки. У остальных целей есть своя дополнительная зависимость, а покрытие зависит от семейства и задачи и одинаково не для всех: см. экспорт и развёртывание.

Аргументы, которые принимают все форматы: imgsz (int или пара из высоты и ширины), batch (по умолчанию 1), half, int8 с YAML-файлом data для калибровки, dynamic (по умолчанию True), simplify (по умолчанию True), opset, device и output_path. Когда output_path не задан, файл пишется в weights/ с именем, производным от чекпойнта.

Что дальше

• Основные понятия — задачи, семейства, размеры и имена чекпойнтов.
• Чекпойнты и веса — автоскачивание, работа без сети и безопасность загрузки.
• Импорт существующих весов, если у вас уже есть чекпойнт из upstream-проекта.
• Все модели — семейство, которое подходит под вашу задачу.
• Обучение, Предсказание и Экспорт — полные сценарии работы.