PicoDet

PicoDet 是一个为移动端和边缘 CPU 打造的单阶段检测器：ESNet 骨干、CSP-PAN neck，以及一个共享的 Generalized Focal Loss head。LibreYOLO 支持它做目标检测。

任务: detection
尺寸: s, m, l at 320 to 640 px
安装: pip install libreyolo
支持层级: 已支持，自 v 起。起支撑作用的可训练家族：在 CI 里保持绿色，功能视情况落地。
上游: PP-PicoDet，由 PaddlePaddle (Baidu) 发布，采用 Apache-2.0 许可。论文、源码
许可: 代码采用 Apache-2.0，权重采用 Apache-2.0。商用

安装

PicoDet 在基础包之外不需要任何 extra。

bash

pip install libreyolo

预测

权重在首次使用时从 Hugging Face 下载，并缓存在本地。

Python

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)

CLI

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

返回的 Results 对象就是每个家族都返回的那一个，所以换用另一个检测器只是一行改动。conf 设置置信度阈值，iou 设置 NMS 阈值。数据源、流式处理和结果处理见预测。

变体

三种尺寸，每种都跑在各自固定的输入分辨率上：s 最小，l 最大。分辨率随尺寸一起增长，所以更大的检查点（checkpoint）除了参数量更多，每张图像的运行开销也更高。

检查点	输入（px）	mAP 50-95	参数量（M）
LibrePICODETs	320	29.5	0.99
LibrePICODETm	416	37.6	2.15
LibrePICODETl	640	44.2	3.31

COCO val2017, 500 images。数据由 LibreYOLO 基准测试工具测得，并发布在 Vision Analysis 上，可在此比较不同硬件和运行时的延迟，并查看完整的运行记录。

训练

Python

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

CLI

# imgsz 值得显式设置：CLI 把它默认成 640，而 s 检查点# 原生就是 320libreyolo train model=LibrePICODETs.pt data=my-dataset.yaml imgsz=320 epochs=300 batch=16 lr0=0.01

损失的各个分量和分配器（assigner）沿用上游的配方：VFL、DFL、GIoU 和 SimOTA，配合分类质量加权和动态 IoU 的 VFL 目标。在同一个检查点上，推理与上游逐位一致。

按 train() 自己的 docstring，尚未验证的是：完整数据集上的收敛性、多卡训练的表现，以及除水平翻转之外的任何数据增强。在库用来测试小规模微调的那个 30 张图像、两个类别的 fixture 上，s 检查点以它原生的 320 分辨率也没能稳定通过 LibreYOLO 的精度下限。那个尺寸更适合完整 COCO 这种规模。

train() 还接受一个 pretrained 参数，但方法内部从来不读这个值：训练总是从构造模型时所用的那份权重继续，所以 pretrained=False 并不会重新初始化网络。在 Python 里不设 imgsz，它就取所加载检查点的原生分辨率，s 是 320，m 是 416，l 是 640。CLI 总会发一个 imgsz，默认是 640，所以要在那边把它设成和检查点匹配。

其余不动的话，训练器会用 SGD 跑 300 轮，lr0=0.01，动量 0.9，权重衰减 4e-5，并在余弦调度上做 1 轮预热。水平翻转是唯一施加的数据增强。

数据集、数据增强、多卡训练和日志记录器见训练。

验证

val() 返回一个由 metrics/ 键组成的字典，涵盖查准率、查全率、mAP 50 和 mAP 50-95，在任何采用你训练时所用格式的数据集上测量。

Python

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

CLI

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

导出

任务	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX：支持	Detection to TorchScript：支持	Detection to ExecuTorch：支持	Detection to TensorRT：支持	Detection to OpenVINO：支持	Detection to Paddle：不支持	Detection to MNN：不支持	Detection to RKNN：支持	Detection to ncnn：支持	Detection to TFLite：不支持	Detection to CoreML：不支持	Detection to Core AI：支持

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。

Python

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

CLI

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

使用导出的文件

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

检查点

这个家族已发布的全部权重文件。

文件	输入（px）	权重许可
Detection
LibrePICODETs.pt	320	apache-2.0
LibrePICODETm.pt	416	apache-2.0
LibrePICODETl.pt	640	apache-2.0

上面的每个文件目前都在 LibreYOLO 组织中，并会在首次使用时下载。

许可证

请检查你所下载的具体权重在 Hugging Face 仓库中的许可。LibreYOLO 组织里的每个检查点都附有许可，同一家族内也不一定相同。该仓库是权威来源；以下摘要说明本页上次验证时适用的情况。

这里只说明涉及的许可证，不构成法律意见。如果答案对商用很重要，请自行阅读许可证并咨询法律顾问。

原始工作: PP-PicoDet, PaddlePaddle (Baidu)
上游许可: Apache-2.0
上游来源: github.com/PaddlePaddle/PaddleDetection
LibreYOLO 代码: MIT
权重: 采用 Apache-2.0 许可，重新发布在 huggingface.co/LibreYOLO
解读: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code, and weights you train yourself on your own data are yours. LibreYOLO's port follows Bo396543018/Picodet_Pytorch, a PyTorch re-implementation of PaddleDetection's original PP-PicoDet, and both carry the same Apache-2.0 terms as the paper's authors.

LibreYOLO 的移植跟随 Bo396543018/Picodet_Pytorch，它是 PaddleDetection 原版 PP-PicoDet 的一个 PyTorch 重实现，剥掉了 mmcv，并把每一个激活函数都精确对齐，这样经由 Bo 的流水线转换过来的 PaddlePaddle 检查点加载时不会有任何数值漂移。两个来源都沿用了和论文作者相同的 Apache-2.0 条款。

引用

@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}
}

复制自作者在 github.com/PaddlePaddle/PaddleDetection/blob/release/2.8/configs/picodet/README_en.md#cite-pp-picodet 上提供的引用块。