LocateAnything

Встановлення

LocateAnything потребує додаткового набору залежностей vlm, який установлює transformers разом із пакетами decord, lmdb і peft, імпортованими її віддаленим кодом Hugging Face під час завантаження.

pip install "libreyolo[vlm]"

Передбачення

LibreLocateAnything є класом Python, а не контрольною точкою .pt: він не завантажується через фабрику LibreYOLO(), і CLI libreyolo його не розпізнає. Фабрика LibreVLM(...) (from libreyolo import LibreVLM) також відкриває доступ до цього сімейства за псевдонімом, наприклад LibreVLM("locate-anything"); використаний нижче клас є тим, що вона створює. Під час завантаження модель отримує та виконує власний віддалений код NVIDIA з Hugging Face, тому LibreYOLO фіксує завантаження на одному коміті замість змінної гілки main і перед першим завантаженням одноразово показує повідомлення про ліцензію.

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Відкритий словник: працюють будь-які слова, а не фіксована голова класів.# Зберігається для всіх наступних викликів predict()/track(), доки його не змінено.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE # task="point" повертає одну точку на кожен зіставлений об'єкт замість рамки.# Перемикайте завдання вже завантаженої моделі через model.set_task("point").model = LibreLocateAnything(size="3b", task="point")model.set_classes(["the person closest to the camera"])result = model(SAMPLE_IMAGE, save=True) for pt in result.points:    print(pt.cls, pt.conf, pt.xy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Прямий доступ під зручним інтерфейсом виявлення: довільні запитання,# підрахунок або будь-який запит, якого не охоплює обгортка рамок.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes (завдання detect) і result.points (завдання point) містять розібраний вихід, як і для будь-якого іншого сімейства. Оцінка впевненості є службовою: LocateAnything не виводить оцінок для окремих рамок, тому кожне виявлення отримує однакову сталу впевненість, а conf= лише відкидає рядки нижче цієї сталої, не ранжуючи їх. Якщо пропустити set_classes(), словник типово містить назви COCO-80. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

Опубліковано один розмір 3b. Два завдання використовують ті самі ваги: detect (типове) повертає рамки, а task="point" натомість повертає одну точку на кожен зіставлений об'єкт у result.points. Перемикайте їх у вже завантаженій моделі за допомогою model.set_task("point"). Засоби бенчмарків LibreYOLO не вимірювали це сімейство, тому опублікованих показників правильності для порівняння немає.

LibreYOLO надає це сімейство лише для передбачення. train(), val() і export() спричиняють NotImplementedError: донавчіть модель засобами початкового проєкту й завантажте результат; валідація датасету пропускається, оскільки службова впевненість зробила б mAP COCO оманливою; експорт не охоплюється для генеративної моделі без словника стану, який можна трасувати.

Ліцензування

Цитування

@article{wang2025locateanything,
  title   = {LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding},
  author  = {Shihao Wang and Shilong Liu and Yuanguo Kuang and Xinyu Wei and
             Yangzhou Liu and Zhiqi Li and Yunze Man and Guo Chen and
             Andrew Tao and Guilin Liu and Jan Kautz and Lei Zhang and Zhiding Yu},
  journal = {arXiv:2605.27365},
  year    = {2026},
}