ConvNeXt V2

ConvNeXt V2 is an image classifier with global response normalization.

Задачі: classification
Встановлення: pip install libreyolo
Рівень підтримки: Підтримуваний, починаючи з v1.6.0. Додаткові придатні до навчання моделі: тести CI підтримують справними, а функції додають за нагоди.
Першоджерело: ConvNeXt V2, автори: Meta AI, ліцензія MIT code; CC-BY-NC-4.0 weights. Стаття, джерело
Ліцензії: Код: MIT, ваги: MIT code; CC-BY-NC-4.0 weights. Комерційне використання

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.probs)

The eight sizes run classification at 224 pixels. Official pretrained weights are CC-BY-NC-4.0.

Train

Training rebuilds the classification head for an ImageFolder dataset. cls_pw accepts values from 0 to 1 and defaults to 0. class_weights=True selects the alternative sample-normalized weighting; it cannot combine with cls_pw>0. Weighting settings must match when resuming.

Dataset setup describes the required training data.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")# "smoke10" auto-downloads; for your own data, pass a folder with train/ and val/ class subfolders.model.train(data="smoke10", epochs=1, device="cpu", workers=0)

Validate

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")metrics = model.val(data="smoke10", workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Export

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreConvNeXtV2atto-cls.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

Файл	Ліцензія ваг
Classification
LibreConvNeXtV2atto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2femto-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2pico-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2n-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2t-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2b-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2l-cls.pt	cc-by-nc-4.0
LibreConvNeXtV2h-cls.pt	cc-by-nc-4.0

Кожен наведений вище файл уже доступний у організації LibreYOLO і завантажується під час першого використання.

Licensing

Перевіряйте ліцензію в репозиторії Hugging Face конкретних ваг, які завантажуєте. Кожна контрольна точка в організації LibreYOLO має ліцензію, і вона не завжди однакова для всього сімейства. Цей репозиторій є авторитетним джерелом, а наведене нижче резюме описує умови на момент останньої перевірки сторінки.

Це опис відповідних ліцензій, а не юридична консультація. Якщо відповідь має комерційне значення, самостійно прочитайте ліцензії та зверніться по юридичну консультацію.

Оригінальна робота: ConvNeXt V2, Meta AI
Ліцензія першоджерела: MIT code; CC-BY-NC-4.0 weights
Джерело першоджерела: github.com/facebookresearch/ConvNeXt-V2
Код LibreYOLO: MIT
Ваги: MIT code; CC-BY-NC-4.0 weights, повторно опубліковано на huggingface.co/LibreYOLO
Тлумачення: The source code is MIT. Official pretrained weights are CC-BY-NC-4.0 and exclude commercial use.

Citation

@article{Woo2023ConvNeXtV2,
  title={ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders},
  author={Sanghyun Woo, Shoubhik Debnath, Ronghang Hu, Xinlei Chen, Zhuang Liu, In So Kweon and Saining Xie},
  year={2023},
  journal={arXiv preprint arXiv:2301.00808},
}

Скопійовано з блоку цитування авторів на сторінці raw.githubusercontent.com/facebookresearch/ConvNeXt-V2/main/README.md.