FOMO

安装

FOMO 在基础包之外不需要任何 extra。

pip install libreyolo

预测

和本站其他所有家族都不一样，LibreFOMO 的权重不会自动下载： LibreYOLO("LibreFOMOs-point.pt") 会在磁盘上找这个文件，找不到就抛出一个点名该 文件的 ValueError，而不会去 Hugging Face 拉。请先从 LibreYOLO 组织下载一个检查点（checkpoint）， 再按本地路径加载，或者自己训练一个（见下面的训练一节）。

from libreyolo import LibreYOLO, SAMPLE_IMAGE # LibreFOMO 权重不会自动下载（见下面的检查点一节）# 把它指向一个你已经下载到本地的检查点model = LibreYOLO("./LibreFOMOs-point.pt")result = model(SAMPLE_IMAGE, save=True) for point in result.points:    print(point.cls, point.conf, point.xy)

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

结果携带的是 points 而不是 boxes：每一行是 x, y, class, confidence，可以通过 result.points.data 拿到，也可以通过 .xy、.xyn、.cls 和 .conf 这几个访问器 拿到。没有 iou 阈值可设，因为没有检测框需要抑制；predict(..., nms_radius=1) 控制两个检测结果之间必须相隔多少个网格单元才能同时留下来，而文件名必须带上 FOMO 的 -point 任务后缀，加载器才认得出来。数据源、流式处理和结果处理见 预测。

变体

三种尺寸 s、m 和 l，用的是逐级加宽的 MobileNetV2 风格骨干，输入分辨率也相应 变大并且固定，各自后面只接一个 1x1 的分类 head。这个家族在这里没有基准测试表；下面 表格里的检查点文件大小是目前已公布的、最能区分各个尺寸的信号。

训练

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.train(    data="my-dataset.yaml",    epochs=40, batch=32, lr0=3e-4,)

# imgsz 必须显式传入：CLI 会把它默认成 640，而 s 检查点# 只接受它原生的 96libreyolo train model=./LibreFOMOs-point.pt data=my-dataset.yaml imgsz=96 epochs=40 batch=32 lr0=3e-4

imgsz 不是随便选的：它默认取所加载检查点的原生分辨率，传别的值会抛出 ValueError 并点名它期望的尺寸。这些尺寸是 s 为 96、m 为 192、l 为 224。CLI 把 imgsz 默认成 640，所以 libreyolo train 命令必须显式设置它来匹配检查点。

其余不动的话，训练器会以批大小 32 跑 40 轮，用 Adam，lr0=3e-4，不做权重衰减，并在 逐格的交叉熵损失函数里把前景类相对背景加权 100 倍，因为典型场景里几乎每个网格单元都 是背景。EMA 和混合精度默认都是关的，LibreYOLO 别处用的几何和颜色数据增强一个也不用： mosaic、mixup、HSV 抖动、翻转、旋转、平移和错切全都是零。

已发布的 LibreFOMO 检查点就是按这条路径训练出来的，在 COCO 上从零开始。

数据集和日志记录器见训练。

验证

val() 会分发到一个专为这个家族写的网格级验证器。除了和其他 point 任务共用的、基于 点匹配的 metrics/precision、metrics/recall 和 metrics/mAP@ 这几个键之外，它还会 扫描置信度阈值和 nms_radius 的取值，把 F1 最好的那个组合发布在 metrics/grid_F1、 metrics/grid_precision、metrics/grid_recall 和 metrics/grid_mean_distance 下面， 并把产生这个组合的阈值和半径发布在 decode/threshold 和 decode/nms_radius 下面。

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/grid_F1"])print(metrics["metrics/grid_precision"], metrics["metrics/grid_recall"])

libreyolo val model=./LibreFOMOs-point.pt data=my-dataset.yaml

导出

导出的产物会按文件后缀通过 LibreYOLO() 加载回来，所以一个 .onnx 或 .engine 文件的行为和检查点一样，返回的也是同一个 Results。在裸运行时里跑这张计算图、完全 不装 LibreYOLO，同样是支持的，但那样预处理和后处理就得你自己写。

from libreyolo import LibreYOLO model = LibreYOLO("./LibreFOMOs-point.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=./LibreFOMOs-point.pt format=onnx

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 工厂按文件后缀分发，所以导出的产物加载方式和任何检查点一样，# 返回的也是同一个 Results 对象model = LibreYOLO("./LibreFOMOs-point.onnx")result = model(SAMPLE_IMAGE) print(result.points.xy)

检查点

这个家族已发布的全部权重文件。它们都不会自动下载：从链接的 Hugging Face 页面取下你 要的文件，再把它的本地路径传给 LibreYOLO()。

许可证