FOMO

Cài đặt

FOMO không cần extra ngoài gói cơ sở.

pip install libreyolo

Dự đoán

Không giống mọi họ khác trên trang này, trọng số LibreFOMO không được tự động tải: LibreYOLO("LibreFOMOs-point.pt") tìm tệp đó trên đĩa và phát sinh ValueError nêu rõ tên tệp thay vì lấy từ Hugging Face. Trước tiên, hãy tải checkpoint từ tổ chức LibreYOLO rồi tải bằng đường dẫn cục bộ, hoặc tự huấn luyện (xem phần Huấn luyện bên dưới).

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Trọng số LibreFOMO không được tự động tải (xem phần Checkpoint bên dưới).# Hãy trỏ đến checkpoint bạn đã tải xuống cục bộ.model = LibreYOLO("./LibreFOMOs-point.pt")result = model(SAMPLE_IMAGE, save=True) for point in result.points:    print(point.cls, point.conf, point.xy)

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

Kết quả chứa payload points thay cho boxes: mỗi hàng là x, y, class, confidence, có thể truy cập bằng result.points.data hoặc qua các thuộc tính .xy, .xyn, .cls và .conf. Không có ngưỡng iou để đặt vì không có box cần loại bỏ; predict(..., nms_radius=1) điều khiển khoảng cách tối thiểu theo số ô lưới để hai phát hiện cùng được giữ lại, còn tên tệp phải có hậu tố tác vụ -point của FOMO để trình tải nhận diện. Xem dự đoán để biết về nguồn, streaming và xử lý kết quả.

Các biến thể

Ba kích thước s, m và l dùng các backbone kiểu MobileNetV2 rộng dần với độ phân giải đầu vào cố định và lớn tương ứng, mỗi backbone đi kèm một head phân loại 1x1 duy nhất. Họ này không có bảng benchmark tại đây; kích thước tệp checkpoint trong bảng bên dưới là tín hiệu rõ nhất đã công bố cho từng kích thước.

Huấn luyện

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.train(    data="my-dataset.yaml",    epochs=40, batch=32, lr0=3e-4,)

# Phải truyền imgsz: CLI mặc định dùng 640, còn checkpoint s# chỉ chấp nhận độ phân giải gốc 96.libreyolo train model=./LibreFOMOs-point.pt data=my-dataset.yaml imgsz=96 epochs=40 batch=32 lr0=3e-4

imgsz không phải lựa chọn tùy ý: giá trị mặc định là độ phân giải gốc của checkpoint đã tải, và truyền giá trị khác sẽ phát sinh ValueError nêu rõ kích thước mong đợi. Các kích thước đó là 96 cho s, 192 cho m và 224 cho l. CLI mặc định đặt imgsz là 640, nên lệnh libreyolo train phải đặt rõ giá trị khớp với checkpoint.

Nếu giữ nguyên các giá trị khác, trình huấn luyện chạy 40 epoch với batch 32, Adam ở lr0=3e-4, không weight decay, và lớp tiền cảnh có trọng số gấp 100 lần hậu cảnh trong loss cross-entropy theo ô vì gần như mọi ô lưới trong cảnh điển hình đều là hậu cảnh. EMA và mixed precision đều tắt theo mặc định; không áp dụng bất kỳ phép tăng cường hình học hoặc màu nào dùng ở nơi khác trong LibreYOLO: mosaic, mixup, nhiễu HSV, lật, xoay, tịnh tiến và shear đều bằng 0.

Đây là luồng được dùng để huấn luyện các checkpoint LibreFOMO đã công bố từ đầu trên COCO.

Xem huấn luyện để biết về tập dữ liệu và logger.

Đánh giá

val() chuyển đến bộ đánh giá cấp lưới được xây dựng cho họ này. Bên cạnh các khóa ghép điểm metrics/precision, metrics/recall và metrics/mAP@ dùng chung với các tác vụ điểm khác, phương thức quét các ngưỡng độ tin cậy và giá trị nms_radius, rồi công bố tổ hợp có F1 tốt nhất trong metrics/grid_F1, metrics/grid_precision, metrics/grid_recall và metrics/grid_mean_distance, cùng ngưỡng và bán kính tạo ra kết quả đó trong decode/threshold và decode/nms_radius.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/grid_F1"])print(metrics["metrics/grid_precision"], metrics["metrics/grid_recall"])

libreyolo val model=./LibreFOMOs-point.pt data=my-dataset.yaml

Xuất

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 Results. Cũng hỗ trợ chạy đồ thị trong runtime độc lập không cài LibreYOLO, nhưng khi đó bạn phải tự viết bước tiền xử lý và hậu xử lý.

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=./LibreFOMOs-point.pt format=onnx

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory định tuyến theo hậu tố tệp, nên artifact đã xuất được tải# như mọi checkpoint và trả về cùng đối tượng Results.model = LibreYOLO("./LibreFOMOs-point.onnx")result = model(SAMPLE_IMAGE) print(result.points.xy)

Checkpoint

Mọi tệp trọng số đã công bố cho họ này. Không tệp nào được tải tự động: hãy lấy tệp bạn muốn từ trang Hugging Face được liên kết và truyền đường dẫn cục bộ vào LibreYOLO().

Giấy phép