CenterNet

Instalación

CenterNet no necesita ningún extra opcional. Todo lo que importa está en la instalación base.

pip install libreyolo

Predicción

Los pesos se descargan de Hugging Face en el primer uso y se guardan en la caché local.

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)

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

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

El objeto Results devuelto es el mismo que devuelven todas las familias, así que cambiar a otro detector es un cambio de una línea. conf y max_det filtran los picos del heatmap ya ordenados; iou se acepta por paridad de API pero no tiene efecto, porque el decodificado top-k de picos de CenterNet no necesita ningún paso de supresión por IoU de cajas. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Dos backbones. resdcn18 combina un tronco ResNet-18 con upsampling por convolución deformable; dla34 combina un tronco DLA-34 con upsampling por agregación profunda iterativa. Ambos alimentan las mismas tres cabezas densas (heatmap, ancho/alto, offset) y el mismo lienzo de entrada.

Validación

val() devuelve un diccionario de claves metrics/ que cubren precisión, recall, mAP 50 y mAP 50-95, medidas contra cualquier dataset en el formato con el que entrenaste.

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

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

Exportación

La exportación a ONNX requiere opset 16 o superior: la etapa de upsampling por convolución deformable de ambos backbones baja al operador GridSample de ONNX, que se introdujo en el opset 16. Pedir un opset anterior lanza un error antes de que empiece el trazado.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # La exportación a ONNX necesita opset 16 o superior: la etapa de# upsampling por convolución deformable baja a GridSample, que se# introdujo en el opset 16.model.export(format="onnx", opset=18)model.export(format="tensorrt")

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

from libreyolo import LibreYOLO # La factoría enruta según la extensión del archivo, así que un# artefacto exportado se carga como cualquier checkpoint y devuelve# el mismo objeto Results.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@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}
}