YOLOX

Встановлення

Для YOLOX не потрібні додаткові залежності понад базовий пакет.

pip install libreyolo

Передбачення

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

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

libreyolo predict model=LibreYOLOXs.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 задає поріг упевненості, а iou задає поріг NMS, застосований до трьох відокремлених масштабів передбачення. Типи джерел, потокове передбачення та обробку результатів описано в розділі передбачення.

Варіанти

Шість розмірів мають спільний бекбон CSP і neck PAFPN. Два найменші, n і t, працюють із меншою фіксованою вхідною роздільною здатністю, ніж інші чотири; у таблиці бенчмарків нижче наведено точне значення для кожного.

Навчання

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Без додаткових налаштувань тренер виконує 300 епох із lr0=0.01, імпульсом SGD 0.9, прогріванням протягом 5 епох і вимкненими аугментаціями mosaic та mixup на останніх 15 епохах. train() також приймає аргумент pretrained, але його значення ніколи не читається всередині методу: навчання завжди продовжується з ваг, з якими створено модель, тому pretrained=False не ініціалізує мережу повторно.

imgsz типово має фіксоване значення з базової конфігурації навчання, а не початкову роздільну здатність завантаженої контрольної точки. Це особливо впливає на контрольні точки n і t: продовження навчання будь-якої з них без явного imgsz перемикає її на більший типовий розмір замість меншого опублікованого.

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

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.

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

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

# Комплектний YAML COCO містить вбудований скрипт завантаження, тому потрібен# явний дозвіл, якщо датасет ще не доступний локально.libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

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. Граф також можна запускати безпосередньо в середовищі виконання без установленої LibreYOLO, але тоді попередню та подальшу обробку потрібно реалізувати самостійно. Експорт CoreML може вбудувати NMS у граф за допомогою nms=True; наразі цей прапорець приймають лише YOLOX і YOLOv9.

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

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Контрольні точки

Усі опубліковані файли ваг цього сімейства.

Ліцензування

Цитування

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}