LFM2-VL

Cài đặt

LFM2-VL cần extra vlm, extra này kéo về transformers cho backbone dùng chat template.

pip install "libreyolo[vlm]"

Dự đoán

LibreLFM2VL là lớp Python, không phải checkpoint .pt: lớp không được tải qua factory LibreYOLO(), còn CLI libreyolo không phân giải nó. Factory LibreVLM(...) (from libreyolo import LibreVLM) cũng truy cập họ mô hình này qua bí danh, ví dụ LibreVLM("lfm2-vl-450m"); lớp dùng bên dưới là lớp mà factory khởi tạo. Trọng số đến từ repo Hugging Face riêng của Liquid AI, không phải mirror LibreYOLO; lệnh gọi đầu tiên tải về và lưu chúng vào bộ nhớ đệm cục bộ, đồng thời ghi log một thông báo giấy phép duy nhất trước khi tải.

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Từ vựng mở: dùng được mọi từ, không phải class head cố định. Thiết lập# được giữ qua mọi lệnh gọi predict()/track() sau đó cho đến khi đặt lại.model.set_classes(["person", "bicycle", "dog"])result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

from libreyolo import LibreLFM2VL, SAMPLE_IMAGE model = LibreLFM2VL(size="450m") # Lối truy cập mức thấp bên dưới tiện ích phát hiện: câu hỏi tự do,# đếm hoặc mọi prompt mà wrapper box không bao quát.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes chứa các detection đã parse như mọi họ mô hình khác. Độ tin cậy là placeholder: LFM2-VL không phát ra điểm theo từng box, vì vậy mọi detection nhận cùng độ tin cậy hằng số, còn conf= chỉ loại các hàng dưới hằng số đó chứ không xếp hạng. iou loại các box gần trùng của cùng lớp đối tượng khi vượt độ chồng lấp cho trước, một tác dụng phụ khi giải mã greedy lặp lại đối tượng; đây không phải lượt NMS theo lớp đối tượng. Bỏ qua set_classes() thì từ vựng mặc định dùng tên COCO-80. Xem dự đoán để biết về nguồn, xử lý luồng và kết quả.

Biến thể

Có hai kích thước 450m và 1.6b, cả hai đến từ bản phát hành LFM2.5-VL của Liquid AI và được xây dựng để triển khai trên thiết bị. Bộ công cụ benchmark của LibreYOLO chưa đo họ mô hình này, vì vậy không có số liệu độ chính xác đã công bố để so sánh; hãy chọn kích thước theo ngân sách tính toán của bạn.

LibreYOLO chỉ cung cấp họ mô hình này để dự đoán. train(), val() và export() đều phát sinh NotImplementedError: thay vào đó hãy tinh chỉnh ở upstream rồi tải kết quả, việc xác thực tập dữ liệu (dataset) bị bỏ qua vì độ tin cậy placeholder sẽ khiến COCO mAP gây hiểu nhầm, còn xuất nằm ngoài phạm vi của mô hình sinh không có state dict để trace.

Giấy phép

Trích dẫn

@article{liquidai2025lfm2,
 title={LFM2 Technical Report},
 author={Liquid AI},
 journal={arXiv preprint arXiv:2511.23404},
 year={2025}
}