YOLOX

Cài đặt

YOLOX 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("LibreYOLOXs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLOXs.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 được áp dụng trên ba thang dự đoán tách rời. Xem dự đoán để biết về nguồn, streaming và xử lý kết quả.

Các biến thể

Sáu kích thước dùng chung backbone CSP và neck PAFPN. Hai kích thước nhỏ nhất n và t chạy ở độ phân giải đầu vào cố định nhỏ hơn bốn kích thước còn lại; bảng benchmark bên dưới chứa số liệu chính xác cho từng kích thước.

Huấn luyện

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

Nếu giữ nguyên mặc định, trình huấn luyện chạy 300 epoch ở lr0=0.01 với SGD momentum 0.9, warmup 5 epoch và tắt tăng cường dữ liệu mosaic cùng mixup trong 15 epoch cuối. 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.

imgsz mặc định là giá trị cố định trong cấu hình huấn luyện cơ sở, không phải độ phân giải gốc của checkpoint đã tải. Điều này đặc biệt ảnh hưởng đến các checkpoint n và t: tiếp tục huấn luyện một trong hai mà không đặt rõ imgsz sẽ chuyển lên giá trị mặc định lớn hơn thay vì kích thước nhỏ hơn khi công bố.

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("LibreYOLOXs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreYOLOXs.pt data=my-dataset.yaml

# 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=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

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. Bản xuất CoreML có thể nhúng NMS vào đồ thị bằng nms=True; YOLOX và YOLOv9 là hai họ duy nhất cờ này hiện chấp nhận.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 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("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Mọi tệp trọng số đã công bố cho họ này.

Giấy phép

Trích dẫn

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}