FCN

Bộ phân loại dense theo từng pixel thay các lớp fully connected của detector bằng phép tích chập, vì vậy đầu ra là map lớp đối tượng ở độ phân giải đầy đủ thay vì box. LibreYOLO chỉ cung cấp mô hình này cho phân đoạn ngữ nghĩa.

Tác vụ: semantic
Kích thước: r50, r101 at 520 px
Cài đặt: pip install libreyolo
Bậc hỗ trợ: Chỉ suy luận, từ v. Chỉ dự đoán, kiểm định và xuất. Không áp dụng các tính năng huấn luyện.
Thượng nguồn: FCN của PyTorch, BSD-3-Clause. Bài báo, mã nguồn
Giấy phép: Mã nguồn BSD-3-Clause, trọng số BSD-3-Clause. Sử dụng thương mại

Cài đặt

FCN không cần extra tùy chọn. Mọi thành phần mà mô hình import đều có trong bản cài đặt cơ sở.

bash

pip install libreyolo

Dự đoán

Trọng số được tải về từ Hugging Face trong lần sử dụng đầu tiên và được lưu vào bộ nhớ đệm cục bộ.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFCNr50.pt")result = model(SAMPLE_IMAGE, save=True) mask = result.semantic_maskprint(mask.data.shape)   # (H, W) ID lớp đối tượngprint(mask.classes)      # các ID lớp đối tượng trong ảnh, đã sắp xếp

CLI

libreyolo predict model=LibreFCNr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Phân đoạn ngữ nghĩa trả về một ID lớp đối tượng cho mỗi pixel thay vì box, vì vậy result.semantic_mask chứa mảng (H, W) trong .data và danh sách ID lớp đối tượng có trong ảnh ở .classes. conf, iou và max_det được chấp nhận để giữ tính tương đồng của API nhưng không có tác dụng: mô hình gán một lớp đối tượng cho mỗi pixel bằng argmax, không có ngưỡng độ tin cậy hay bước NMS. Xem dự đoán để biết về nguồn, xử lý luồng và kết quả.

Biến thể

Có hai độ sâu ResNet, cả hai ở đầu vào cố định 520 px. Graph inference của thư viện là FCN ResNet giãn của torchvision, không phải mạng FCN-8s dựa trên VGG với skip connection từ bài báo gốc.

LibreYOLO không huấn luyện FCN: train() phát sinh NotImplementedError cho họ mô hình này, được cấp hỗ trợ ở trên đánh dấu là chỉ dành cho inference. Hai checkpoint đã phát hành là trọng số được huấn luyện trên COCO của chính torchvision, được chuyển đổi cho loader của LibreYOLO.

Xác thực

val() trả về metrics/mIoU và metrics/pixel_accuracy, được đo trên mọi dataset có định dạng giống định dạng bạn đã dùng để huấn luyện.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mIoU"])print(metrics["metrics/pixel_accuracy"])

CLI

libreyolo val model=LibreFCNr50.pt data=my-dataset.yaml

Xuất

Tác vụ	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
semantic	semantic to ONNX: được hỗ trợ	semantic to TorchScript: được hỗ trợ	semantic to ExecuTorch: không được hỗ trợ	semantic to TensorRT: được hỗ trợ	semantic to OpenVINO: được hỗ trợ	semantic to Paddle: không được hỗ trợ	semantic to MNN: không được hỗ trợ	semantic to RKNN: không được hỗ trợ	semantic to ncnn: không được hỗ trợ	semantic to TFLite: không được hỗ trợ	semantic to CoreML: không được hỗ trợ	semantic to Core AI: không được hỗ trợ

Artifact đã xuất được tải lại qua LibreYOLO() dựa trên hậu tố tệp, vì vậy tệp .onnx hoặc .engine hoạt động như checkpoint và trả về cùng đối tượng Results. Trang Xuất liệt kê các đối số mà mọi định dạng chấp nhận.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCNr50.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreFCNr50.pt format=onnxlibreyolo export model=LibreFCNr50.pt format=tensorrt half=True

Dùng tệp đã xuất

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory định tuyến dựa trên hậu tố tệp, vì vậy artifact đã xuất tải# như mọi checkpoint và trả về cùng đối tượng Results.model = LibreYOLO("LibreFCNr50.onnx")result = model(SAMPLE_IMAGE) print(result.semantic_mask.data.shape)

Checkpoint

Mọi tệp trọng số đã phát hành cho họ mô hình này.

Tệp	Đầu vào (px)	Giấy phép trọng số
semantic
LibreFCNr50.pt	520	bsd-3-clause
LibreFCNr101.pt	520	bsd-3-clause

Mọi tệp ở trên hiện đều có trong tổ chức LibreYOLO và được tải xuống trong lần sử dụng đầu tiên.

Giấy phép

Hãy kiểm tra giấy phép trong repo Hugging Face của trọng số cụ thể mà bạn tải xuống. Mỗi checkpoint trong tổ chức LibreYOLO đều có giấy phép riêng và giấy phép có thể khác nhau trong cùng một họ. Repo đó là nguồn có thẩm quyền; phần tóm tắt dưới đây mô tả các điều khoản áp dụng khi trang này được kiểm chứng lần gần nhất.

Đây là phần mô tả các giấy phép liên quan, không phải tư vấn pháp lý. Nếu câu trả lời có ý nghĩa về mặt thương mại, hãy tự đọc các giấy phép và tham khảo cố vấn của riêng bạn.

Công trình gốc: FCN, PyTorch
Giấy phép thượng nguồn: BSD-3-Clause
Nguồn thượng nguồn: github.com/pytorch/vision
Mã nguồn LibreYOLO: MIT
Trọng số: BSD-3-Clause, được phát hành lại tại huggingface.co/LibreYOLO
Diễn giải: BSD-3-Clause is a permissive license, so this code and these weights can be used in commercial and closed-source products. It asks you to keep the copyright notice, license text and a non-endorsement clause with any copy you redistribute. LibreYOLO's inference graph is torchvision's dilated-ResNet FCN, not the original VGG-based FCN-8s skip-fusion network from the paper. The two published checkpoints are torchvision's official COCO-trained weights; their separate LibreYOLO Hugging Face mirrors carry BSD-3-Clause on an implied basis disclosed by torchvision rather than an explicit checkpoint-specific grant, and torchvision's own documentation notes that pretrained-model terms can depend on the training data, leaving that determination to the user.