MoGe-2

Installation

MoGe-2 benötigt kein optionales Zusatzpaket. Alle Importe sind in der Basisinstallation enthalten.

pip install libreyolo

Vorhersage

Die Gewichte werden bei der ersten Verwendung automatisch heruntergeladen. LibreYOLO ruft die passende Größe direkt aus den offiziellen Checkpoints ab und speichert sie lokal zwischen.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.pt")result = model(SAMPLE_IMAGE, save=True) normal = result.normal_mapprint(normal.array.shape)   # (H, W, 3) float32-Einheitsvektoren

libreyolo predict model=LibreMoGe2s-normal.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

MoGe-2 gibt ein dichtes Feld statt einer Menge von Erkennungen zurück. result.boxes ist daher leer, und conf, iou sowie max_det haben keine Wirkung. result.normal_map enthält das Ergebnis: ein Array der Form (H, W, 3) mit Einheitsvektoren im OpenCV-Kamerakoordinatensystem. +x zeigt nach rechts, +y nach unten und +z in die Szene. Eine zur Kamera gerichtete Oberfläche hat den Wert (0, 0, -1). Bei einer Bildliste wird pro Bild ein Vorwärtslauf ausgeführt. Diese Familie besitzt keinen schnellen Pfad für gestapelte Batches. Unter Vorhersage findest du Quellen, Streaming und die Verarbeitung von Ergebnissen.

Varianten

Drei Encoder-Größen werden als getrennte Checkpoints angeboten: ViT-S, ViT-B und ViT-L, alle mit derselben Eingabeauflösung. Der Benchmark-Testaufbau von LibreYOLO hat diese Familie nicht gemessen. Es gibt daher keine veröffentlichten Accuracy-Werte für einen Vergleich. Wähle die Größe passend zu deinem Rechenbudget.

Validierung

val() misst den Winkelfehler auf einem gepaarten Normalenkarten-Datensatz: Bilder liegen neben gleichnamigen 16-Bit-Normalen-PNGs. Eine optionale Gültigkeitsmaske verhindert, dass aufgefüllte und ungültige Pixel gezählt werden. Die Methode gibt den mittleren und medianen Winkelfehler in Grad sowie den Prozentsatz der Pixel innerhalb von 11.25, 22.5 und 30 Grad zurück.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")metrics = model.val(data="my-dataset.yaml", imgsz=518) print(metrics["metrics/mean_angular_error"])   # Gradprint(metrics["metrics/median_angular_error"])print(metrics["metrics/within_11_25"])          # Prozent der Pixel

libreyolo val model=LibreMoGe2s-normal.pt data=my-dataset.yaml imgsz=518

Export

Der Normalenexport nutzt einen Runtime-Vertrag mit fester Auflösung und Batch 1: dynamic und ein anderer batch-Wert als 1 werden abgelehnt. imgsz muss außerdem durch die Patch-Größe des ViT-Encoders teilbar sein. LibreYOLO prüft das vor Beginn des Laufs. Ein exportiertes Artefakt wird anhand seiner Dateiendung wieder über LibreYOLO() geladen. Eine .onnx-Datei verhält sich daher wie ein Checkpoint und gibt dasselbe Results-Objekt zurück.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")model.export(format="onnx", imgsz=518)model.export(format="tensorrt", imgsz=518, half=True)

libreyolo export model=LibreMoGe2s-normal.pt format=onnx imgsz=518libreyolo export model=LibreMoGe2s-normal.pt format=tensorrt imgsz=518 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.onnx")result = model(SAMPLE_IMAGE) print(result.normal_map.array.shape)

Lizenzierung

Zitieren

@inproceedings{wang2025moge,
  title={Moge: Unlocking accurate monocular geometry estimation for open-domain images with optimal training supervision},
  author={Wang, Ruicheng and Xu, Sicheng and Dai, Cassie and Xiang, Jianfeng and Deng, Yu and Tong, Xin and Yang, Jiaolong},
  booktitle={Proceedings of the Computer Vision and Pattern Recognition Conference},
  pages={5261--5271},
  year={2025}
}

@misc{wang2025moge2,
      title={MoGe-2: Accurate Monocular Geometry with Metric Scale and Sharp Details}, 
      author={Ruicheng Wang and Sicheng Xu and Yue Dong and Yu Deng and Jianfeng Xiang and Zelong Lv and Guangzhong Sun and Xin Tong and Jiaolong Yang},
      year={2025},
      eprint={2507.02546},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.02546}, 
}