EdgeCrafter

Встановлення

EdgeCrafter не потребує додаткових пакетів. Усі його імпорти входять до базового встановлення.

pip install libreyolo

Винятком є донавчання адаптерів із lora=True, для якого потрібен додатковий пакет lora.

pip install "libreyolo[lora]"

Передбачення

Під час першого використання ваги завантажуються з Hugging Face та кешуються локально.

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

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Суфікс -pose у назві файлу вибирає голову ключових точок, тому# аргумент завдання тут не потрібен.model = LibreYOLO("LibreECs-pose.pt")result = model(SAMPLE_IMAGE, save=True) print(result.keypoints.xy)print(result.boxes.conf)

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreECs-seg.pt")result = model(SAMPLE_IMAGE, save=True) print(result.masks.data.shape)

Завдання визначається за назвою файлу, тому контрольна точка -pose або -seg вибирає власну голову й не приймає аргументу завдання. Усі три повертають об'єкт Results, який повертає кожне сімейство, із доданим result.keypoints для пози та result.masks для сегментації. Поза охоплює один клас, людину, із 17 ключовими точками COCO, а кількість фіксується під час побудови моделі. Вона не має голови рамок, тому кожна рамка пози охоплює її власні ключові точки, а третій канал ключової точки є сталою, а не оцінкою окремої точки.

Параметри conf і max_det фільтрують вибір запитів; iou приймається для сумісності API, але не впливає на результат, оскільки всі три голови декодують набір запитів без етапу NMS. Джерела, потокове оброблення та роботу з результатами описано на сторінці передбачення.

Варіанти

Доступні чотири розміри. Усі вони працюють з однаковою роздільною здатністю вхідних даних, тому таблиця розрізняє їх за кількістю параметрів і правильністю.

Першоджерело публікує ECDet, ECPose та ECSeg як три окремі моделі, а не одну модель із трьома головами. Вони мають спільні бекбон ECViT і гібридний кодер та відрізняються лише головою, тому LibreYOLO об'єднує їх в одне сімейство, а завдання визначається назвою файлу контрольної точки. Отже, літера розміру означає однакові бекбон і кодер для всіх трьох, а передбачення, валідація та експорт приймають однакові аргументи незалежно від завантаженої моделі.

Навчання

Усі три завдання навчаються через train(), який читає завдання із завантаженої контрольної точки та вибирає відповідний тренер.

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,    batch=8,    lr0=5e-4,)

libreyolo train model=LibreECs.pt data=my-dataset.yaml epochs=50 imgsz=640 batch=8 lr0=5e-4

from libreyolo import LibreYOLO # Потрібен однокласовий датасет ключових точок, у data.yaml якого оголошено# kpt_shape, та imgsz із нативним розміром контрольної точки.model = LibreYOLO("LibreECs-pose.pt")model.train(    data="my-pose-dataset.yaml",    epochs=50,    imgsz=640,)

from libreyolo import LibreYOLO # Потрібні полігональні мітки та imgsz із нативним розміром контрольної точки.model = LibreYOLO("LibreECs-seg.pt")model.train(    data="my-dataset.yaml",    epochs=50,    imgsz=640,)

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.train(    data="my-dataset.yaml",    epochs=50,    lora=True,)

Для виявлення та сегментації перевірено еквівалентність інференсу з першоджерелом до 1e-5, шар за шаром і для кожного розміру, а також виконання функції втрат і одного кроку навчання на синтетичних вхідних даних. Згідно з документацією самого train(), не перевірено збіжність повного донавчання, навчання на кількох GPU, етап повторного завантаження найкращої моделі після припинення аугментації та перенесення класів Objects365 у COCO. Шлях пози наслідує опублікований рецепт DETRPose, тобто угорський алгоритм зіставлення за вартістю класу, L1 ключових точок і OKS із контрастним знешумленням ключових точок; його збіжність також не перевірено від початку до кінця.

Без додаткових параметрів тренер виконує 74 епохи з lr0=5e-4 та ввімкненою змішаною точністю за рецептом першоджерела: AdamW, плаский косинусний розклад, EMA зі значенням 0.9999 і вхідні дані, нормалізовані за ImageNet. Поза й сегментація потребують imgsz із нативним розміром контрольної точки, оскільки їхня якірна сітка оцінювання будується під час створення моделі; інше значення спричиняє помилку до початку запуску. Для пози також потрібен однокласовий датасет, у data.yaml якого оголошено kpt_shape, а кількість ключових точок відповідає голові.

Параметр lora=True застосовується лише до виявлення; для пози та сегментації він спричиняє ValueError. На Apple silicon тренер залишає запуск на GPU та надсилає на CPU одну операцію, зворотний прохід grid-sample у деформованій увазі, яку PyTorch не реалізує в Metal.

Датасети, аугментацію, кілька GPU та системи журналювання описано на сторінці навчання.

Валідація

Метод val() повертає словник із ключами за назвами метрик і виводить результати для кожного класу, якщо verbose залишається ввімкненим.

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs-pose.pt")metrics = model.val(data="my-pose-dataset.yaml") print(metrics["metrics/keypoints_mAP50-95"])print(metrics["metrics/keypoints_mAP50"])

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs-seg.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95(M)"])   # маскиprint(metrics["metrics/mAP50-95(B)"])   # рамки

Поза повідомляє метрики OKS ключових точок під metrics/keypoints_*. Сегментація повідомляє маски під звичайним ключем metrics/mAP50-95 і повторює обидва подання за один прохід, рамки під (B) та маски під (M).

Експорт

Експортований артефакт повторно завантажується через LibreYOLO() за суфіксом файлу, тому файл .onnx або .engine поводиться як контрольна точка й повертає той самий Results. Поза й сегментація експортуються з фіксованими вхідними даними 640 на 640, а не динамічними формами; кілька цілей виявлення також мають фіксоване полотно, зокрема OpenVINO, Paddle, MNN, ExecuTorch та Core AI. На сторінці Експорт наведено аргументи, які приймає кожен формат, і додаткові пакети, потрібні деяким із них.

from libreyolo import LibreYOLO model = LibreYOLO("LibreECs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreECs.pt format=onnx imgsz=640libreyolo export model=LibreECs-pose.pt format=onnx imgsz=640libreyolo export model=LibreECs-seg.pt format=onnx imgsz=640

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Фабрика виконує маршрутизацію за суфіксом файлу, тому експортований артефакт# завантажується як будь-яка контрольна точка й повертає той самий об'єкт Results.model = LibreYOLO("LibreECs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Контрольні точки

Усі опубліковані файли ваг для цього сімейства.

Ліцензування

Цитування

@article{liu2026edgecrafter,
  title={EdgeCrafter: Compact ViTs for Edge Dense Prediction via Task-Specialized Distillation},
  author={Liu, Longfei and Hou, Yongjie and Li, Yang and Wang, Qirui and Sha, Youyang and Yu, Yongjun and Wang, Yinzhi and Ru, Peizhe and Yu, Xuanlong and Shen, Xi},
  journal={arXiv},
  year={2026}
}