CenterNet

CenterNet modelliert ein Objekt als Mittelpunkt seiner Bounding Box und regressiert jede weitere Eigenschaft aus einem Heatmap-Peak, braucht also keine Anchors und keinen Non-Maximum-Suppression-Schritt. LibreYOLO liefert es als reinen Inferenz-Detektor aus.

Aufgaben: detection
Größen: resdcn18, dla34 at 512 px
Installation: pip install libreyolo
Supportstufe: Nur Inferenz, seit v. Nur Vorhersage, Validierung und Export. Trainingsfunktionen sind nicht verfügbar.
Upstream: CenterNet von UT Austin and UC Berkeley, MIT. Publikation, Quelle
Lizenzen: Code MIT, Gewichte MIT. Kommerzielle Nutzung

Installation

CenterNet braucht kein optionales Extra. Alles, was es importiert, steckt in der Basisinstallation.

bash

pip install libreyolo

Vorhersage

Die Gewichte werden beim ersten Aufruf von Hugging Face geladen und lokal zwischengespeichert.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetresdcn18.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreCenterNetresdcn18.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

DLA-34

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetdla34.pt")result = model(SAMPLE_IMAGE, save=True)

Das zurückgegebene Results-Objekt ist dasselbe, das jede Familie zurückgibt, ein anderer Detektor ist also eine Änderung von einer Zeile. conf und max_det filtern die nach Rang sortierten Heatmap-Peaks; iou wird aus Gründen der API-Parität akzeptiert, hat aber keine Wirkung, weil das Top-k-Peak-Decoding von CenterNet keinen Schritt zur Box-IoU-Unterdrückung braucht. Siehe Vorhersage für Quellen, Streaming und die Verarbeitung der Ergebnisse.

Varianten

Zwei Backbones. resdcn18 kombiniert einen ResNet-18-Trunk mit Upsampling per Deformable Convolution; dla34 kombiniert einen DLA-34-Trunk mit iterativem Deep-Aggregation-Upsampling. Beide speisen dieselben drei dichten Heads (Heatmap, Breite/Höhe, Offset) und arbeiten auf derselben Eingabefläche.

Validierung

val() liefert ein Dictionary mit metrics/-Schlüsseln für Precision, Recall, mAP 50 und mAP 50-95, gemessen an jedem Datensatz in dem Format, auf dem du trainiert hast.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreCenterNetresdcn18.pt data=my-dataset.yaml

Export

Aufgabe	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: unterstützt	Detection to TorchScript: unterstützt	Detection to ExecuTorch: unterstützt	Detection to TensorRT: unterstützt	Detection to OpenVINO: unterstützt	Detection to Paddle: nicht unterstützt	Detection to MNN: nicht unterstützt	Detection to RKNN: nicht unterstützt	Detection to ncnn: nicht unterstützt	Detection to TFLite: nicht unterstützt	Detection to CoreML: nicht unterstützt	Detection to Core AI: nicht unterstützt

Der ONNX-Export verlangt Opset 16 oder neuer: die Upsampling-Stufe mit Deformable Convolution wird in beiden Backbones auf den ONNX-Operator GridSample abgebildet, den Opset 16 eingeführt hat. Forderst du ein älteres Opset an, bricht der Export ab, bevor das Tracing beginnt.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # ONNX-Export braucht Opset 16 oder neuer: die Upsampling-Stufe mit# Deformable Convolution wird zu GridSample, neu in Opset 16.model.export(format="onnx", opset=18)model.export(format="tensorrt")

CLI

libreyolo export model=LibreCenterNetresdcn18.pt format=onnx opset=18

Die exportierte Datei nutzen

from libreyolo import LibreYOLO # Die Factory routet über die Dateiendung, ein exportiertes Artefakt# lädt wie jeder Checkpoint und liefert dasselbe Results-Objekt.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Jede veröffentlichte Gewichtsdatei dieser Familie.

Datei	Eingabe (px)	Lizenz der Gewichte
Detection
LibreCenterNetresdcn18.pt	512	mit
LibreCenterNetdla34.pt	512	mit

Jede oben aufgeführte Datei ist heute in der LibreYOLO-Organisation verfügbar und wird bei der ersten Verwendung heruntergeladen.

Lizenzierung

Prüfe die Lizenz im Hugging-Face-Repository der konkreten Gewichte, die du herunterlädst. Jeder Checkpoint in der LibreYOLO-Organisation hat eine Lizenz, und sie ist innerhalb einer Familie nicht immer gleich. Dieses Repository ist die maßgebliche Quelle. Die Zusammenfassung unten beschreibt den Stand bei der letzten Verifizierung dieser Seite.

Dies ist eine Beschreibung der beteiligten Lizenzen und keine Rechtsberatung. Wenn die Antwort kommerziell relevant ist, lies die Lizenzen selbst und hole eigenen Rechtsrat ein.

Originalarbeit: CenterNet, UT Austin and UC Berkeley
Upstream-Lizenz: MIT
Upstream-Quelle: github.com/xingyizhou/CenterNet
LibreYOLO-Code: MIT
Gewichte: MIT, erneut unter huggingface.co/LibreYOLO veröffentlicht
Einordnung: MIT is a permissive license, so these weights can be used in commercial and closed-source products. It asks only that you keep the copyright notice and license text with any copy you redistribute, and it places no obligation on your own application code. The official ResDCN-18 and DLA-34 COCO checkpoints were published by the MIT-licensed CenterNet project but carry no separate per-checkpoint license file; LibreYOLO's mirror states MIT as implied by the releasing project rather than a publisher-confirmed, checkpoint-specific grant.

Der ResDCN-18-Graph nennt zusätzlich Microsofts MIT-lizenziertes human-pose-estimation.pytorch, und der DLA-34-Graph nennt Fisher Yus DLA-Implementierung unter BSD-3-Clause. LibreYOLO liefert die ursprüngliche DCNv2-Erweiterung des Upstream-Projekts nicht mit; die native Ausführung nutzt stattdessen deform_conv2d aus torchvision unter BSD-3-Clause, und die portable Implementierung nur für den Export wurde eigens für LibreYOLO geschrieben.

Zitieren

@inproceedings{zhou2019objects,
  title={Objects as Points},
  author={Zhou, Xingyi and Wang, Dequan and Kr{\"a}henb{\"u}hl, Philipp},
  booktitle={arXiv preprint arXiv:1904.07850},
  year={2019}
}

Aus dem Zitierblock der Autoren unter github.com/xingyizhou/CenterNet#citation kopiert.