LibreYOLO 检测模型选型清单:YOLOv9、RF-DETR 等 20+ 检测器怎么选
LibreYOLO 检测模型选型清单:YOLOv9、RF-DETR 等 20+ 检测器怎么选
LibreYOLO 是一个 MIT 许可的开源计算机视觉库,一个统一 API 内置 20+ 种目标检测器:从 YOLOv9、RF-DETR 到 DETR 经典系列。本文是一份面向新手的模型选型清单,帮你 5 分钟选对检测模型,并完成训练与部署。
LibreYOLO 的设计哲学是"同一套三行代码跑所有任务"——只需更换模型文件名,检测、姿态、旋转框等能力就切换到位。因此选模型本质上只有一个问题:我的场景、设备和精度需求,对应哪个家族?
模型命名速查:看懂 LibreYOLO 的文件名
所有权重文件遵循统一的命名规则(来源:docs/nomenclature.md):
Libre<家族><尺寸>[-任务].pt
以 LibreYOLO9s.pt 和 LibreRFDETRn-seg.pt 为例:
| 组成 | 示例 | 含义 |
|---|---|---|
| 家族前缀 | LibreYOLO9 |
模型家族(YOLOv9、RF-DETR、PicoDet……) |
| 尺寸代码 | s、n、r18 |
从最小的 n/t 到最大的 l/x,直接决定速度与精度 |
| 任务后缀 | -seg、-pose |
可选;检测是默认任务,无需后缀 |
这个规则意味着:拿到任意文件名,你立刻知道它是什么、多大、干什么。官方目录与任务解析逻辑分别位于 libreyolo/models/registry.py 和 libreyolo/tasks.py。
20+ 检测器速查表:一次看全
下表覆盖 LibreYOLO 中全部可用的检测家族(含尺寸档位),按"角色"分组:
🏆 旗舰与通用主力
| 模型 | 可用尺寸 | 支持任务 | 一句话定位 |
|---|---|---|---|
| YOLOv9 | t / s / m / c | 检测 | 默认首选,速度与精度的平衡之王 |
| YOLOv9-E2E | t / s / m / c | 检测 | 端到端 NMS-free 变体,导出部署更省事 |
| YOLOv9-P2 | t / s | 检测 | stride-4 小目标增强版 |
| RF-DETR | n / s / m / l / x / xx | 检测 / 分割 / 姿态 / 旋转框 | 多任务全能选手,一个权重覆盖 4 类任务 |
| RT-DETR | r18 / r34 / r50 / r50m / r101 / l / x | 检测 | 高精度单阶段 Transformer,学术基线常客 |
| RT-DETRv2 / v4 | s / m / l / x | 检测 / 旋转框(v2) | 新版 RT-DETR 家族,v2 原生支持旋转框 |
| DEIM / DEIMv2 | n~x(v2 还有 atto 级) | 检测 | 新一代高精度单阶段,DEIMv2 主打极致轻量化 |
📱 边缘与轻量
| 模型 | 可用尺寸 | 一句话定位 |
|---|---|---|
| PicoDet | s / m / l(320~640) | 端侧最小巧之一,320 输入起步 |
| TinyFormer | s / m / l / x / xl | 轻量 Transformer 检测,移动端友好 |
| PP-YOLOE | s / m / l / x | 工程化强、小目标友好 |
| YOLO-NAS | s / m / l / n | 多任务轻量选手:检测 + 姿态 + 旋转框 |
🎯 场景特化
| 模型 | 可用尺寸 | 一句话定位 |
|---|---|---|
| Dome-DETR | s / m / l | 无人机 / 遥感小目标专用(权重自带数据集后缀,如 -visdrone) |
| FCOS3D / DetAny3D | r101 / h | 3D 目标检测(nuScenes 等数据集,独立运行时) |
| FOMO / LocateAnything | s / m / l / 3b | 点检测(point)任务:找"点"而不是找"框" |
📚 经典研究系(推理专用,适合复现论文与对比实验)
| 模型 | 一句话定位 |
|---|---|
| DETR / Deformable DETR / DINO-DETR / LW-DETR | 目标检测 Transformer 的"四大经典" |
| Faster R-CNN / Mask R-CNN | 两阶段检测(Mask R-CNN 附实例分割) |
| RetinaNet / FCOS / SSD / CenterNet | 单阶段经典,常用作 baseline |
| EfficientDet | BiFPN 经典,d0~d4 五档尺寸 |
| YOLOX / YOLO7 / YOLOv1~v4 | 工业与历史 YOLO 家族 |
| D-FINE / RTMDet | 同时支持检测 + 实例分割 |
💡 完整家族清单(含深度、OCR、分割等非检测任务)可直接查阅 reports/export_inventory.json,每个家族都标注了支持的任务与尺寸。
按场景选检测模型:4 条决策路径
不确定怎么选?按下面的顺序问自己 4 个问题即可。
① 有标注数据要训练自己的模型吗?
- 是 → 优先选可训练家族。YOLOv9(
LibreYOLO9s.pt)是最稳的默认值;若还想同一份权重顺带做姿态、分割或旋转框,选 RF-DETR(LibreRFDETRn.pt)。 - 否,直接用预训练权重 → 下面继续。
② 部署在什么设备上?
- 手机 / 嵌入式(NPU、RKNN、TFLite 等) → PicoDet(320 输入)、TinyFormer、YOLO-NAS、DEIMv2(最小 atto 档)。
- 服务器 / GPU 推理 → RT-DETR、DEIM、YOLOv9 的更大尺寸档位。
- 要导出部署 → 先查 libreyolo/export/ 下的导出后端与 docs/export_support.md;YOLOv9-E2E 因免 NMS,在 ONNX / TensorRT 导出链路上更省事。
③ 画面里有什么特殊情况?
- 无人机航拍、遥感小目标 → Dome-DETR(唯一自带
-visdrone、-aitod数据集权重的家族)。 - 物体带角度(船只、文字条) → RT-DETRv2、YOLO-NAS、RF-DETR 的旋转框能力。
- 3D 场景 → FCOS3D、DetAny3D 等 3D 检测家族(独立运行时,见 libreyolo/models/fcos3d/)。
- 要"点"而非"框" → FOMO / LocateAnything 点检测。
④ 只是做论文复现或对比实验?
- 用经典推理系:DETR、Faster R-CNN、RetinaNet、EfficientDet 等,一行
LibreYOLO("LibreFasterRCNNr50.pt")即可跑通。
快速上手:3 行代码完成检测
无论选了哪个检测器,用法完全一致(来源:libreyolo/init.py):
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLO9s.pt") # 换成清单里任意检测器即可
result = model("street.jpg", save=True)
需要训练或部署时,同一对象继续操作:
model.train(data="dataset.yaml", epochs=100, imgsz=640) # 训练
libreyolo export --model yolo9-s --format onnx # 导出(命令行)
选型结论:一张表收尾
| 你的情况 | 推荐检测模型 | 起点权重 |
|---|---|---|
| 不知道选什么 | YOLOv9 | LibreYOLO9s.pt |
| 检测+分割+姿态+旋转框全都要 | RF-DETR | LibreRFDETRn.pt |
| 追求最高精度 | RT-DETR / DEIM | LibreRTDETRr50.pt / LibreDEIMn.pt |
| 移动端极限轻量 | PicoDet / DEIMv2 | LibrePICODETs.pt / LibreDEIMv2atto.pt |
| 航拍小目标 | Dome-DETR | LibreDOMEDETRs-visdrone.pt |
| 导出部署最省心 | YOLOv9-E2E | LibreYOLO9E2Et.pt |
| 论文对比 / 基线 | DETR / Faster R-CNN | LibreDETRr50.pt / LibreFasterRCNNr50.pt |
记住三个核心关键词——可训练、能部署、对场景——从上表取一行,你的 LibreYOLO 检测模型就选对了。
登录后查看全文


