Документація LibreYOLO

Один API Python для комп'ютерного зору: виявлення, сегментації, оцінювання пози, глибини, OCR тощо, з навчанням, валідацією та експортом для кожної задачі. Код має ліцензію MIT, тому створене вами залишається вашим.

встановити

pip install libreyolo

Швидкий старт Переглянути моделі Переглянути задачі

Моделі: 86 сімейств, від сучасних флагманів до історичних детекторів, за однією фабрикою
Задачі: 17, від виявлення до оцінювання погляду й відновлення полігональної сітки людини
Ваги: 244 опублікованих контрольних точок для описаних тут сімейств, що завантажуються під час першого використання з huggingface.co/LibreYOLO
Експорт: 12 форматів, від ONNX до TensorRT, CoreML, TFLite та Core AI
Ліцензія: Код має ліцензію MIT. Ваги мають ліцензію першоджерела, зазначену для кожної контрольної точки

Що ви хочете зробити?

Усі задачі

All tasks
Виявлення об'єктів: Рамки та класи. Типова задача, яку підтримує більшість сімейств.
Сегментація екземплярів: Маски для окремих об'єктів, по одній на кожне виявлення.
Семантична сегментація: Клас для кожного пікселя без розділення об'єктів.
Паноптична сегментація: Семантична сегментація та сегментація екземплярів в одному результаті.
Оцінювання пози: Ключові точки для кожного об'єкта, згори вниз або знизу вгору.
Класифікація зображень: Одна мітка на зображення, зокрема без попереднього навчання з CLIP і SigLIP2.
Орієнтоване виявлення: Повернуті рамки для аерознімків і зображень документів.
Виявлення точок: Центроїди замість рамок. Підрахунок і дуже малі моделі.
Оцінювання глибини: Глибина кожного пікселя з одного зображення.
Виявлення країв
Нормалі поверхні
Відновлення зображень: Усунення шуму й розмиття та збільшення роздільної здатності.
Видалення тла: Вирізи з альфа-каналом.
OCR: Виявлення та розпізнавання тексту за один прохід.
Розпізнавання облич: Ембединги облич і галереї ідентичностей.
Ембединги
Оцінювання напрямку погляду: Визначення того, куди дивиться людина.
Сітка тіла
Відстеження об'єктів: Ідентичності між кадрами відео поверх будь-якого детектора.
Виявлення з відкритим словником: Виявлення класів, названих під час виконання, без навчання.
Сегментація з підказками: Сегментація всього, на що ви вкажете, за допомогою SAM та подібних моделей.

Яку модель вибрати?

Усі моделі

Починайте з флагманської моделі, якщо немає причини обрати іншу. Кожну функцію спочатку проєктують і валідують на GPU саме для таких моделей, а сторінка кожного сімейства містить контрольні точки, матрицю експорту й умови ліцензування.

RF-DETR: 4 задач, 19 контрольних точок.
YOLOv9: Виявлення, 9 контрольних точок.
DEIM: Виявлення, 13 контрольних точок.
D-FINE: 2 задач, 10 контрольних точок.
EdgeCrafter: 3 задач, 12 контрольних точок.
RT-DETR: 2 задач, 21 контрольна точка.
YOLO-NAS: 2 задач, ваги поширюють їхні автори, а не ми.
ConvNeXt: Виявлення, 3 контрольних точок.
DINOv2: 3 задач, ваги поширюють їхні автори, а не ми.
Dome-DETR: Виявлення, ваги поширюють їхні автори, а не ми.
EfficientNetV2: Виявлення, 4 контрольних точок.
FOMO: Виявлення, 3 контрольних точок.
LingBot-Vision: Виявлення, 3 контрольних точок.
MobileNetV4: Виявлення, 3 контрольних точок.
NAFNet: Виявлення, 1 контрольна точка.
PicoDet: Виявлення, 3 контрольних точок.
ResNet: Виявлення, 4 контрольних точок.
RTMDet: 2 задач, 10 контрольних точок.
SegFormer: Виявлення, 6 контрольних точок.
YOLOv7: Виявлення, 1 контрольна точка.
YOLOX: Виявлення, 6 контрольних точок.
AlexNet: Виявлення, 1 контрольна точка.
BiRefNet: Виявлення, 1 контрольна точка.
CenterNet: Виявлення, 2 контрольних точок.
DeepLabv3: Виявлення, 3 контрольних точок.
Deformable DETR: Виявлення, 5 контрольних точок.
Depth Anything 3: Виявлення, 1 контрольна точка.
Depth Anything V2: Виявлення, 3 контрольних точок.
DETR: Виявлення, 4 контрольних точок.
DexiNed: Виявлення, ваги поширюють їхні автори, а не ми.
DINO-DETR: Виявлення, 3 контрольних точок.
EfficientDet: Виявлення, 5 контрольних точок.
EoMT: 3 задач, 6 контрольних точок.
Faster R-CNN: Виявлення, 4 контрольних точок.
FCN: Виявлення, 2 контрольних точок.
FCOS: Виявлення, 1 контрольна точка.
FeyNobg: Виявлення, 3 контрольних точок.
HRNet: Виявлення, 2 контрольних точок.
L2CS-Net: Виявлення, ваги поширюють їхні автори, а не ми.
LibreFaceRec: Виявлення, ваги поширюють їхні автори, а не ми.
LW-DETR: Виявлення, 5 контрольних точок.
Mask R-CNN: 2 задач, 1 контрольна точка.
MiDaS: Виявлення, ваги поширюють їхні автори, а не ми.
MoGe-2: Виявлення, ваги поширюють їхні автори, а не ми.
PIDNet: Виявлення, 3 контрольних точок.
PP-OCRv5: Виявлення, 2 контрольних точок.
Real-ESRGAN: Виявлення, 3 контрольних точок.
RetinaNet: Виявлення, 2 контрольних точок.
SAM 3D Body: Виявлення, 2 контрольних точок.
SSD: Виявлення, 1 контрольна точка.
Swin Transformer: Виявлення, 4 контрольних точок.
SwinIR: Виявлення, 3 контрольних точок.
TEED: Виявлення, ваги поширюють їхні автори, а не ми.
VGG: Виявлення, 4 контрольних точок.
ViT: Виявлення, 4 контрольних точок.
ZipDepth: Виявлення, 2 контрольних точок.
DeiT: Виявлення, 3 контрольних точок.
YOLOv1: Виявлення, 1 контрольна точка.
YOLOv2: Виявлення, 2 контрольних точок.
YOLOv3: Виявлення, 3 контрольних точок.
YOLOv4: Виявлення, 2 контрольних точок.
CLIP: 2 задач, 2 контрольних точок.
EdgeTAM: Виявлення, 1 контрольна точка.
Florence-2: Виявлення, ваги поширюють їхні автори, а не ми.
Grounding DINO: Виявлення, 2 контрольних точок.
InternVL3: Виявлення, ваги поширюють їхні автори, а не ми.
Kosmos-2: Виявлення, ваги поширюють їхні автори, а не ми.
LFM2-VL: Виявлення, ваги поширюють їхні автори, а не ми.
LibreMODUS: 4 задач, ваги поширюють їхні автори, а не ми.
LocateAnything: 2 задач, ваги поширюють їхні автори, а не ми.
MobileSAM: Виявлення, 1 контрольна точка.
OMDet-Turbo: Виявлення, 1 контрольна точка.
OV-DEIM: Виявлення, 3 контрольних точок.
OWLv2: Виявлення, 2 контрольних точок.
PicoSAM3: Виявлення, 1 контрольна точка.
Qwen3-VL: Виявлення, ваги поширюють їхні автори, а не ми.
SAM: Виявлення, ваги поширюють їхні автори, а не ми.
SAM 2: Виявлення, 4 контрольних точок.
SAM 3: Виявлення, ваги поширюють їхні автори, а не ми.
SenseNova-Vision: 7 задач, 1 контрольна точка.
SigLIP2: 2 задач, 2 контрольних точок.
SmolVLM2: Виявлення, ваги поширюють їхні автори, а не ми.

Виміряно, а не заявлено

Vision Analysis

Кожен показник правильності й затримки в цій документації походить з опублікованого нами запуску, разом із записами про обладнання, середовище виконання та точність обчислень. Наведений нижче графік оновлюється наживо.

Робота з моделлю

Навчання: Датасети, аргументи, аугментація, кілька GPU та журнали експериментів.
Передбачення: Зображення, папки, відео, вебкамери та потоки RTSP.
Експорт і розгортання: Дванадцять цільових форматів із матрицею підтримки для кожного сімейства.
Командний рядок: Усі можливості API Python без написання коду Python.

Про ліцензію

Код LibreYOLO має ліцензію MIT. Вона не вимагає відкривати код вашого застосунку, не поширюється на ваги моделі й не змінюється, якщо ви продаєте створене. Попередньо навчені ваги ліцензуються окремо: кожні мають ліцензію того, хто їх навчав, і документація вказує її для кожної контрольної точки, а не зводить усе до узагальненої заяви. Деякі ваги не можна використовувати комерційно, і це зазначено прямо.

Як тут працює ліцензування