EfficientDet

EfficientDet поєднує бекбон EfficientNet із повторюваною двонапрямною пірамідальною мережею ознак (BiFPN) і одночасно масштабує глибину, ширину та роздільну здатність у п'яти розмірах. LibreYOLO постачає її як детектор лише для інференсу.

Задачі: detection
Розміри
Встановлення: pip install libreyolo
Рівень підтримки: Лише інференс, починаючи з v. Лише передбачення, валідація та експорт. Функції навчання не застосовуються.
Першоджерело: EfficientDet, автори: Google Research, ліцензія Apache-2.0. Стаття, джерело
Ліцензії: Код: Apache-2.0, ваги: Apache-2.0. Комерційне використання

Встановлення

EfficientDet не потребує додаткових залежностей. Усе, що вона імпортує, входить до базового встановлення.

bash

pip install libreyolo

Передбачення

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreEfficientDetd0.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreEfficientDetd0.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Повернений об'єкт Results є однаковим для всіх сімейств, тому заміна детектора потребує зміни одного рядка. EfficientDet декодує кандидатів на основі якорів, а потім виконує немаксимальне придушення окремо для кожного класу, тому conf, iou і max_det тут дійсно впливають на результат. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

Доступні п'ять розмірів від D0 до D4. Кожен наступний крок поєднує більший бекбон EfficientNet із глибшою та ширшою BiFPN і глибшою головою передбачення, тому кількість параметрів та обчислення зростають разом за правилом складеного масштабування зі статті.

Валідація

val() повертає словник ключів metrics/ із точністю, повнотою, mAP 50 та mAP 50-95, виміряними на будь-якому датасеті у форматі, на якому проводилося навчання.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreEfficientDetd0.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreEfficientDetd0.pt data=my-dataset.yaml

Експорт

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

Експортований артефакт знову завантажується через LibreYOLO() відповідно до суфікса файлу, тому файл .onnx або .engine поводиться як контрольна точка й повертає той самий об'єкт Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreEfficientDetd0.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreEfficientDetd0.pt format=onnxlibreyolo export model=LibreEfficientDetd0.pt format=tensorrt half=True

Використання експортованого файлу

from libreyolo import LibreYOLO # Фабрика маршрутизує за суфіксом файлу, тому експортований артефакт# завантажується як будь-яка контрольна точка й повертає той самий об'єкт Results.model = LibreYOLO("LibreEfficientDetd0.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Контрольні точки

Усі опубліковані файли ваг цього сімейства.

Файл	Вхід (пікс.)	Ліцензія ваг
Detection
LibreEfficientDetd0.pt		apache-2.0
LibreEfficientDetd1.pt		apache-2.0
LibreEfficientDetd2.pt		apache-2.0
LibreEfficientDetd3.pt		apache-2.0
LibreEfficientDetd4.pt		apache-2.0

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

Ліцензування

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: EfficientDet, Google Research
Ліцензія першоджерела: Apache-2.0
Джерело першоджерела: github.com/rwightman/efficientdet-pytorch
Код LibreYOLO: MIT
Ваги: Apache-2.0, повторно опубліковано на huggingface.co/LibreYOLO
Тлумачення: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code. LibreYOLO's D0-D4 checkpoints are converted from Google's official TensorFlow-trained release assets through the Apache-2.0 rwightman/efficientdet-pytorch project; those release assets carry no separate per-checkpoint license, so redistribution here rests on Apache-2.0 implied by the releasing project, the same basis rwightman/efficientdet-pytorch itself uses for its own converted weights.

Контрольні точки D0-D4 бібліотеки LibreYOLO перетворено за допомогою проєкту rwightman/efficientdet-pytorch під ліцензією Apache-2.0, який сам відтворює офіційні ваги google/automl, навчені в TensorFlow, не змінюючи навчених тензорів. Вихідний код проєкту zylo117/Yet-Another-EfficientDet-Pytorch під ліцензією LGPL не переглядався й не використовувався.