ResNet

Встановлення

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

pip install libreyolo

Передбачення

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreResNet50-cls.pt")result = model(SAMPLE_IMAGE, save=True) print(result.probs.top1, result.probs.top1conf)print(result.probs.top5)

libreyolo predict model=LibreResNet50-cls.pt source=cat.jpg save=True

Повернений об'єкт Results є однаковим для всіх сімейств, тому заміна моделі потребує зміни одного рядка. Класифікатор не містить рамок або масок: result.probs містить передбачення для всього зображення з top1, top5, top1conf і top5conf. conf, iou і max_det приймаються для узгодженості API, але не впливають на результат, оскільки в одному векторі ймовірностей немає чого порогувати чи придушувати. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

Доступні чотири глибини, усі з однаковим процесом навчання та оцінювання, тому вибір прямо зіставляє кількість параметрів із правильністю. Завдання фіксоване: кожен розмір охоплює лише класифікацію. Назва файлу ваг кожного розміру завершується на -cls.pt, і за цим суфіксом фабрика маршрутизує до сімейства; аргумент task= не потрібен.

Навчання

Донавчання починається з опублікованого бекбона ImageNet і автоматично перебудовує завершальний шар класифікатора під кількість класів цільового датасету.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.train(data="imagenette160", epochs=5)

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 epochs=5

libreyolo train model=LibreResNet50-cls.pt data=imagenette160 \  epochs=50 device=0,1 batch=-1

Без додаткових налаштувань тренер виконує 100 епох із lr0=1e-3, оптимізатором AdamW, батчем 64 і ранньою зупинкою після 50 епох без покращення. data приймає кореневий каталог датасету (train/ і val/, по одній папці на клас), відому коротку назву на кшталт imagenette160 або URL .zip. lora=True тут не підтримується; його передавання спричиняє помилку, оскільки LoRA в LibreYOLO націлена на трансформерні компоненти із шарами nn.Linear, яких немає в ResNet.

Датасети, аугментацію, кілька GPU та логери описано в розділі навчання.

Валідація

val() повертає словник ключів metrics/. Для класифікації це правильність top-1 і top-5 на валідаційному поділі.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")metrics = model.val(data="imagenette160") print(metrics["metrics/accuracy_top1"])print(metrics["metrics/accuracy_top5"])

libreyolo val model=LibreResNet50-cls.pt data=imagenette160

Експорт

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. У розділі експорту наведено аргументи, які приймає кожен формат, і додаткові параметри деяких форматів.

from libreyolo import LibreYOLO model = LibreYOLO("LibreResNet50-cls.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibreResNet50-cls.pt format=onnxlibreyolo export model=LibreResNet50-cls.pt format=tensorrt half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Фабрика маршрутизує за суфіксом файлу, тому експортований артефакт# завантажується як будь-яка контрольна точка й повертає той самий об'єкт Results.model = LibreYOLO("LibreResNet50-cls.onnx")result = model(SAMPLE_IMAGE) print(result.probs.top1)

Контрольні точки

Усі опубліковані файли ваг цього сімейства.

Ліцензування

Цитування

@article{He2015,
	author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
	title = {Deep Residual Learning for Image Recognition},
	journal = {arXiv preprint arXiv:1512.03385},
	year = {2015}
}