PicoDet

Cài đặt

PicoDet không cần extra ngoài gói cơ sở.

pip install libreyolo

Dự đoán

Trọng số được tải từ Hugging Face ở lần dùng đầu tiên và lưu vào bộ nhớ đệm cục bộ.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibrePICODETs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

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

Đối tượng Results trả về là loại mà mọi họ đều trả về, nên việc đổi sang detector khác chỉ cần sửa một dòng. conf đặt ngưỡng độ tin cậy và iou đặt ngưỡng NMS. Xem dự đoán để biết về nguồn, streaming và xử lý kết quả.

Các biến thể

Ba kích thước, mỗi kích thước có độ phân giải đầu vào cố định riêng: s nhỏ nhất và l lớn nhất. Độ phân giải tăng theo kích thước, vì vậy checkpoint lớn hơn cũng tốn chi phí chạy trên mỗi ảnh hơn, ngoài việc chứa nhiều tham số hơn.

Huấn luyện

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")model.train(    data="my-dataset.yaml",    epochs=300, batch=16, lr0=0.01,)

# Nên đặt imgsz: CLI mặc định dùng 640, còn checkpoint s có# độ phân giải gốc 320.libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

Các thành phần loss và assigner tuân theo công thức thượng nguồn: VFL, DFL, GIoU và SimOTA, với trọng số chất lượng phân loại và đích VFL dùng IoU động. Suy luận tương đương từng bit với thượng nguồn trên cùng checkpoint.

Những phần chưa được kiểm tra theo docstring của chính train(): hội tụ trên toàn bộ tập dữ liệu, hành vi multi-GPU và mọi phép tăng cường dữ liệu ngoài lật ngang. Checkpoint s ở độ phân giải gốc 320 cũng chưa vượt qua một cách ổn định mức độ chính xác tối thiểu của LibreYOLO trên fixture 30 ảnh, hai lớp mà thư viện dùng để kiểm thử các lượt tinh chỉnh nhỏ. Kích thước đó phù hợp hơn ở quy mô COCO đầy đủ.

train() cũng chấp nhận đối số pretrained, nhưng giá trị không bao giờ được đọc bên trong phương thức: quá trình huấn luyện luôn tiếp tục từ trọng số dùng để khởi tạo mô hình, nên pretrained=False không khởi tạo lại mạng. Nếu không đặt imgsz trong Python, giá trị sẽ là độ phân giải gốc của checkpoint đã tải, 320 cho s, 416 cho m và 640 cho l. CLI luôn gửi imgsz với mặc định 640, vì vậy hãy đặt giá trị khớp với checkpoint tại đó.

Nếu giữ nguyên các giá trị khác, trình huấn luyện chạy 300 epoch với SGD ở lr0=0.01, momentum 0.9, weight decay 4e-5 và warmup 1 epoch theo lịch cosine. Lật ngang là phép tăng cường dữ liệu duy nhất được áp dụng.

Xem huấn luyện để biết về tập dữ liệu, tăng cường dữ liệu, multi-GPU và logger.

Đánh giá

val() trả về từ điển các khóa metrics/ bao gồm precision, recall, mAP 50 và mAP 50-95, được đo trên bất kỳ tập dữ liệu nào theo định dạng bạn đã huấn luyện.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePICODETs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibrePICODETs.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("LibrePICODETs.pt")model.export(format="onnx", imgsz=320)model.export(format="tensorrt", imgsz=320, half=True)

libreyolo export model=LibrePICODETs.pt format=onnx imgsz=320libreyolo export model=LibrePICODETs.pt format=tensorrt imgsz=320 half=True

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("LibrePICODETs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Mọi tệp trọng số đã công bố cho họ này.

Giấy phép

Trích dẫn

@misc{yu2021pppicodet,
      title={PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
      author={Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
      year={2021},
      eprint={2111.00902},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}