Швидкий старт

Встановлення

pip install libreyolo

Це все, що потрібно для наведених нижче розділів передбачення та навчання. Експорт до ONNX додає одну залежність; повний список наведено в розділі встановлення.

Передбачення

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Під час першого використання завантажує контрольну точку, потім кешує її у weights/.model = LibreYOLO("LibreYOLO9t.pt") # Одне зображення повертає один об'єкт Results.result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(result.names[int(box.cls)], float(box.conf), box.xyxy.tolist())

libreyolo predict model=yolo9-t save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # stream=True видає по одному Results на кадр замість побудови списку.# Замініть шлях індексом вебкамери, URL RTSP або каталогом.for result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

LibreYOLO(), це фабрика. Вона читає файл, визначає сімейство ваг і повертає модель цього сімейства, тому заміна детектора потребує зміни одного рядка. Передавання LibreYOLO9t.pt без каталогу виконує пошук у weights/LibreYOLO9t.pt відносно робочого каталогу й завантажує файл туди за відсутності. Правила завантаження й автономну роботу описано в розділі контрольні точки й ваги.

save=True записує анотовану копію в runs/detect/, до каталогу predict, номер якого збільшується для кожного запуску. Повернений Results містить boxes, а names зіставляє індекс класу з міткою. Шлях до одного зображення повертає один Results; каталог, список зображень або stream=True повертає їх список чи генератор.

Навчання

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # coco8, це датасет із 8 зображень у комплекті бібліотеки. Під час першого# використання він завантажується з URL, тому виконувати скрипт не потрібно.results = model.train(    data="coco8.yaml",    epochs=1,    imgsz=640,    batch=4,    device="cpu",) print(results["save_dir"])print(results["best_checkpoint"])

libreyolo train model=yolo9-t data=coco8.yaml \  epochs=1 imgsz=640 batch=4 device=cpu

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9t.pt") # val() повертає звичайний dict, а не об'єкт.metrics = model.val(data="coco8.yaml", device="cpu") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

data, це YAML датасету. coco8.yaml постачається з бібліотекою, тому фрагмент працює без змін; ім'я, якого немає в комплекті, читається як шлях. Датасети визначаються в ~/datasets або в LIBREYOLO_DATASETS_DIR, якщо цю змінну задано.

Запуск записує дані до project/name, стандартно до каталогу під runs/train, з weights/best.pt і weights/last.pt усередині. train() повертає словник із save_dir, best_checkpoint, last_checkpoint, втратами кожної епохи й метриками валідації кожної епохи. Навчена контрольна точка завантажується через LibreYOLO() так само, як попередньо навчена.

Не кожне сімейство підтримує навчання. Якщо сімейство постачає лише інференс, train() спричиняє NotImplementedError із поясненням. Основні поняття пояснюють значення рівнів підтримки.

Експорт

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt") # export() повертає записаний шлях.path = model.export(format="torchscript")print(path) # Фабрика вибирає маршрут за суфіксом файла, тому артефакт завантажується# як контрольна точка й повертає той самий об'єкт Results.exported = LibreYOLO(path)result = exported(SAMPLE_IMAGE)print(len(result.boxes))

pip install "libreyolo[onnx]"libreyolo export model=yolo9-t format=onnx imgsz=640

TorchScript не потребує нічого понад базове встановлення. Інші цілі мають власні додаткові залежності, а підтримка визначається окремо для сімейства та задачі: дивіться експорт і розгортання.

Спільні для всіх форматів аргументи містять imgsz (ціле число або пара висоти й ширини), batch (стандартно 1), half, int8 із YAML data для калібрування, dynamic (стандартно True), simplify (стандартно True), opset, device і output_path. Якщо output_path не задано, файл записується до weights/ з ім'ям, утвореним від контрольної точки.

Наступні кроки

• Основні поняття для задач, сімейств, розмірів та імен контрольних точок.
• Контрольні точки й ваги для автоматичного завантаження, автономної роботи й безпеки завантаження.
• Імпорт наявних ваг, якщо у вас уже є контрольна точка з проєкту upstream.
• Усі моделі, щоб вибрати сімейство для своєї задачі.
• Навчання, передбачення і експорт для повних робочих процесів.