RF-DETR

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

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

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # Mọi nguồn thư viện chấp nhận: tệp, thư mục, URL, chỉ số webcam,# luồng RTSP hoặc danh sách .streamsfor result in model.predict("clip.mp4", stream=True, save=True):    print(len(result.boxes))

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, imgsz=512, batch=8, lr0=1e-4)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 imgsz=512 batch=8 lr0=1e-4

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.train(data="my-dataset.yaml", epochs=50, lora=True)

libreyolo train model=LibreRFDETRs.pt data=my-dataset.yaml \  epochs=50 device=0,1 batch=-1

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt") # val() trả về dict thông thường, không phải đối tượngmetrics = model.val(data="my-dataset.yaml", imgsz=512) print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreRFDETRs.pt data=my-dataset.yaml imgsz=512

# YAML COCO đi kèm chứa script tải xuống nhúng sẵn, nên cần quyền rõ ràng# trừ khi tập dữ liệu đã có cục bộ.libreyolo val model=LibreRFDETRn.pt data=coco.yaml imgsz=384 \  allow_download_scripts=True

from libreyolo import LibreYOLO model = LibreYOLO("LibreRFDETRs.pt")model.export(format="onnx", imgsz=512)model.export(format="tensorrt", imgsz=512, half=True) # Các đối số được mọi định dạng chấp nhận:##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai".#             "engine" is an alias for tensorrt, "litert" for tflite.#   imgsz     int hoặc (chiều cao, chiều rộng). Mặc định là#             độ phân giải gốc.#   batch     int, mặc định 1.#   half      bool, xuất ở FP16. Mặc định False.#   int8      bool, xuất ở INT8. Mặc định False. Cần `data`.#   data      đường dẫn đến YAML tập dữ liệu, dùng để hiệu chuẩn int8.#   fraction  float, phần tập hiệu chuẩn cần dùng. Mặc định 1.0.#   dynamic   bool, các trục động. Mặc định True.#   simplify  bool, chạy đơn giản hóa đồ thị ONNX. Mặc định True.#   opset     int, ONNX opset. Được chọn theo họ khi không chỉ định.#   device    str, thiết bị dùng để truy vết. Mặc định là thiết bị của mô hình.#   output_path  str, mặc định là tên suy ra từ checkpoint.#   verbose   bool, mặc định False.#   allow_download_scripts  bool, mặc định False. Cho phép mã Python#             nhúng trong YAML tập dữ liệu cần tải xuống.## Một số định dạng nhận thêm đối số riêng, chẳng hạn nền tảng đích RKNN.# Các đối số đó được ghi trong trang của từng định dạng.

libreyolo export model=LibreRFDETRs.pt format=onnx imgsz=512libreyolo export model=LibreRFDETRs.pt format=tensorrt imgsz=512 half=True

from libreyolo import LibreYOLO # 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("LibreRFDETRs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

import numpy as npimport onnxruntime as ort # Chạy trực tiếp đồ thị nghĩa là bạn tự thực hiện tiền xử lý và hậu xử lý.# Hãy kiểm tra chữ ký trước khi kết nối.session = ort.InferenceSession("LibreRFDETRs.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 512, 512), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)