LocateAnything

Cài đặt

LocateAnything cần extra vlm, extra này cài thêm transformers cùng các gói decord, lmdb và peft mà mã từ xa trên Hugging Face nhập khi tải.

pip install "libreyolo[vlm]"

Dự đoán

LibreLocateAnything là một lớp Python, không phải checkpoint .pt: lớp này không được tải qua factory LibreYOLO() và CLI libreyolo không phân giải nó. Factory LibreVLM(...) (from libreyolo import LibreVLM) cũng truy cập họ này qua bí danh, chẳng hạn LibreVLM("locate-anything"); lớp dùng bên dưới chính là thứ factory đó khởi tạo. Khi tải, LibreYOLO tải xuống và thực thi mã mô hình từ xa của NVIDIA trên Hugging Face, vì vậy bản tải được ghim vào một commit revision cố định thay vì nhánh main có thể thay đổi, đồng thời ghi thông báo giấy phép một lần trước lần tải đầu tiên.

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Open vocabulary: dùng được mọi từ, không phải class head cố định. Thiết lập# được giữ cho mọi lời 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 LibreLocateAnything, SAMPLE_IMAGE # task="point" trả về một điểm cho mỗi đối tượng khớp thay vì một box.# Chuyển tác vụ trên mô hình đã tải bằng model.set_task("point").model = LibreLocateAnything(size="3b", task="point")model.set_classes(["the person closest to the camera"])result = model(SAMPLE_IMAGE, save=True) for pt in result.points:    print(pt.cls, pt.conf, pt.xy)

from libreyolo import LibreLocateAnything, SAMPLE_IMAGE model = LibreLocateAnything(size="3b") # Lối truy cập linh hoạt bên dưới tiện ích phát hiện: câu hỏi dạng tự do,# đếm hoặc bất kỳ prompt nào mà wrapper box không bao quát.text = model.chat(SAMPLE_IMAGE, "Describe the scene in one sentence.")print(text)

result.boxes (tác vụ detect) và result.points (tác vụ point) chứa đầu ra đã phân tích như mọi họ khác. Độ tin cậy chỉ là giá trị giữ chỗ: LocateAnything không phát ra điểm cho từng box, nên mọi phát hiện nhận cùng một độ tin cậy hằng số và conf= chỉ loại các hàng thấp hơn hằng số đó, không xếp hạng chúng. Nếu bỏ qua set_classes(), từ vựng mặc định là các tên COCO-80. Xem dự đoán để biết về nguồn, streaming và xử lý kết quả.

Các biến thể

Có một kích thước được công bố là 3b. Hai tác vụ dùng chung trọng số: detect (mặc định) trả về các box, còn task="point" trả về một điểm cho mỗi đối tượng khớp trong result.points; chuyển đổi giữa chúng trên mô hình đã tải bằng model.set_task("point"). Hệ thống benchmark của LibreYOLO chưa đo họ này, vì vậy không có số liệu độ chính xác đã công bố để so sánh.

LibreYOLO chỉ cung cấp họ này để dự đoán. train(), val() và export() đều phát sinh NotImplementedError: thay vào đó, hãy tinh chỉnh ở thượng nguồn rồi tải kết quả; việc đánh giá tập dữ liệu bị bỏ qua vì độ tin cậy giữ chỗ sẽ khiến COCO mAP gây hiểu lầm; xuất nằm ngoài phạm vi của mô hình sinh không có state dict để truy vết.

Giấy phép

Trích dẫn

@article{wang2025locateanything,
  title   = {LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding},
  author  = {Shihao Wang and Shilong Liu and Yuanguo Kuang and Xinyu Wei and
             Yangzhou Liu and Zhiqi Li and Yunze Man and Guo Chen and
             Andrew Tao and Guilin Liu and Jan Kautz and Lei Zhang and Zhiding Yu},
  journal = {arXiv:2605.27365},
  year    = {2026},
}