SSD

Installation

SSD benötigt kein optionales Extra. Alle Importe sind in der Basisinstallation enthalten.

pip install libreyolo

Vorhersage

Die Gewichte werden bei der ersten Verwendung von Hugging Face heruntergeladen und lokal zwischengespeichert.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreSSD300.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreSSD300.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Das zurückgegebene Results-Objekt entspricht dem jeder anderen Familie, sodass der Wechsel zu einem anderen Detektor nur eine einzige Codezeile erfordert. SSD decodiert sein Raster aus Standardboxen mit klassenweisen Bewertungen und führt anschließend Non-Maximum Suppression aus. Deshalb haben conf, iou und max_det hier tatsächlich eine Wirkung, anders als bei den abfragebasierten Detektoren dieser Bibliothek. Unter Vorhersage findest du Informationen zu Quellen, Streaming und Ergebnisverarbeitung.

Varianten

SSD stellt einen Checkpoint bereit: das VGG16-basierte SSD300-Netzwerk mit seiner festen nativen Canvas-Größe. Diese Familie bietet keine Auswahl an Größen oder Skalierungen. Vorhersage, Validierung und Export verwenden denselben Graphen.

Die Gewichtsdatei heißt LibreSSD300.pt. Der Name besteht aus dem Familienpräfix und dem einzigen Größenschlüssel "300". Die zugrunde liegende Klasse heißt LibreSSD, sodass die direkte Erstellung LibreSSD(size="300") lautet und nicht über eine nach der Datei benannte Klasse erfolgt.

Validierung

val() gibt ein Dictionary mit metrics/-Schlüsseln für Precision, Recall, mAP 50 und mAP 50-95 zurück, gemessen anhand jedes Datensatzes im Format, das du für das Training verwendet hast.

from libreyolo import LibreYOLO model = LibreYOLO("LibreSSD300.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreSSD300.pt data=my-dataset.yaml

Export

SSD kann nur nach ONNX exportiert werden. Alle anderen Formate sind für diese Familie derzeit gesperrt. Der Export verwendet immer die native Canvas-Größe des Checkpoints. Der Graph gibt den gepackten Rohkopf von SSD aus und keine zusammengeführte Non-Maximum-Suppression-Ausgabe, weshalb nms=True beim Export nicht akzeptiert wird. Die LibreYOLO-Backends führen das Decodieren und die Unterdrückung nach dem erneuten Laden des Graphen aus.

from libreyolo import LibreYOLO model = LibreYOLO("LibreSSD300.pt") # imgsz wird hier bewusst ausgelassen: SSD300 wird mit der nativen# Canvas-Größe seines Checkpoints aufgezeichnet; jeder andere Wert löst vor dem Export einen Fehler aus.model.export(format="onnx")

libreyolo export model=LibreSSD300.pt format=onnx

from libreyolo import LibreYOLO # Die Factory leitet anhand der Dateiendung weiter, daher wird ein exportiertes Artefakt# wie jeder Checkpoint geladen und gibt dasselbe Results-Objekt zurück.model = LibreYOLO("LibreSSD300.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Alle für diese Familie veröffentlichten Gewichtsdateien.

Lizenzierung

Zitieren

@inproceedings{liu2016ssd,
  title = {{SSD}: Single Shot MultiBox Detector},
  author = {Liu, Wei and Anguelov, Dragomir and Erhan, Dumitru and Szegedy, Christian and Reed, Scott and Fu, Cheng-Yang and Berg, Alexander C.},
  booktitle = {ECCV},
  year = {2016}
}