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") # 库接受的任何数据源：文件、文件夹、URL、摄像头索引、# RTSP 流，或者一个 .streams 列表for 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() 返回的是一个普通 dict，不是对象metrics = 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

# 内置的 COCO yaml 带着一个内嵌的下载脚本，所以除非数据集已经# 在本地，否则需要显式放行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) # 每种格式都接受的参数：##   format    "onnx" | "torchscript" | "executorch" | "tensorrt"#             | "openvino" | "paddle" | "mnn" | "rknn" | "ncnn"#             | "tflite" | "coreml" | "coreai"。#             "engine" 是 tensorrt 的别名，"litert" 是 tflite 的别名#   imgsz     int，或 (height, width)。默认为检查点的原生分辨率#   batch     int，默认 1#   half      bool，以 FP16 导出。默认 False#   int8      bool，以 INT8 导出。默认 False。需要 `data`#   data      数据集 YAML 的路径，用来校准 int8#   fraction  float，取该校准集的多大比例。默认 1.0#   dynamic   bool，动态轴。默认 True#   simplify  bool，跑一次 ONNX 计算图简化。默认 True#   opset     int，ONNX opset。不给时按家族选定#   device    str，在哪个设备上做 trace。默认为模型所在的设备#   output_path  str，默认是一个由检查点派生出来的名字#   verbose   bool，默认 False#   allow_download_scripts  bool，默认 False。放行一个必须下载的#             数据集 YAML 里内嵌的 Python## 少数几种格式还接受自己额外的参数，比如 RKNN 的目标平台。# 这些参数记录在各自格式的页面上

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

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

import numpy as npimport onnxruntime as ort # 直接跑这张计算图，意味着预处理和后处理都得你自己做。动手# 接线之前先看清楚签名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)