YOLOv4

YOLOv4 поєднує бекбон CSPDarknet-53, блок SPP і neck PANet з активаціями Mish. LibreYOLO зберігає її як заморожений експонат лише для інференсу в розмірах tiny і base.

Задачі: detection
Розміри: t, b at 416 to 608 px
Встановлення: pip install libreyolo
Рівень підтримки: Музейний, починаючи з v. Заморожений експонат. Лише виправлення помилок.
Першоджерело: YOLOv4, автори: Alexey Bochkovskiy, ліцензія Public domain (Darknet "YOLO LICENSE"). Стаття, джерело
Ліцензії: Код: MIT, ваги: Public domain (Darknet "YOLO LICENSE"). Комерційне використання

Встановлення

Для YOLOv4 не потрібні додаткові залежності понад базовий пакет.

bash

pip install libreyolo

Передбачення

Це сімейство призначене лише для інференсу: train() спричиняє NotImplementedError, тому на цій сторінці немає розділу «Навчання». Передбачення, валідація та експорт підтримуються. Під час першого використання ваги завантажуються з Hugging Face і кешуються локально.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO4b.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLO4b.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. conf фільтрує за порогом упевненості, а iou задає поріг NMS. Обидва параметри застосовуються після власного масштабування центра scale_x_y кожної голови. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Валідація

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

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLO4b.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: 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. Граф також можна запускати безпосередньо в середовищі виконання без установленої LibreYOLO, але тоді попередню та подальшу обробку потрібно реалізувати самостійно.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO4b.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreYOLO4b.pt format=onnxlibreyolo export model=LibreYOLO4b.pt format=tensorrt half=True

Використання експортованого файлу

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("LibreYOLO4b.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Контрольні точки

Усі опубліковані файли ваг цього сімейства.

Файл	Вхід (пікс.)	Ліцензія ваг
Detection
LibreYOLO4t.pt	416	other
LibreYOLO4b.pt	608	other

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: YOLOv4, Alexey Bochkovskiy
Ліцензія першоджерела: Public domain (Darknet "YOLO LICENSE")
Джерело першоджерела: github.com/AlexeyAB/darknet
Код LibreYOLO: MIT
Ваги: Public domain (Darknet "YOLO LICENSE"), повторно опубліковано на huggingface.co/LibreYOLO
Тлумачення: Darknet's bundled NOTICE quotes its own license in full: "Darknet is public domain. Do whatever you want with it." That covers both the architecture and the pretrained weights LibreYOLO converts from it, with no attribution requirement and no restriction on commercial use. LibreYOLO's own code around this architecture is MIT.

Цитування

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection}, 
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Скопійовано з блоку цитування авторів на сторінці github.com/AlexeyAB/darknet#citation.