Faster R-CNN

Instalación

Faster R-CNN 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("LibreFasterRCNNl.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreFasterRCNNl.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg 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 e iou fijan los umbrales de confianza y de NMS; Faster R-CNN mantiene su paso de NMS upstream, a diferencia de un detector basado en queries. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Cuatro tamaños, cada uno una configuración distinta de torchvision en lugar de una versión escalada de la misma: n es MobileNetV3-Large con una entrada de 320 px, s es el mismo backbone a 800 px, m es ResNet-50 con una pirámide de características, y l es la revisión v2, con una cabeza de propuestas de regiones más profunda y una cabeza de cajas de cuatro convoluciones en lugar de la de m. n y s sacrifican precisión a cambio de un backbone más ligero.

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("LibreFasterRCNNl.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

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

Exportación

Faster R-CNN solo exporta a ONNX, con tamaño de batch 1. El grafo exportado mantiene dentro el paso de redimensionado upstream, así que LibreYOLO fuerza dynamic=True independientemente de lo que se le pase, para que el grafo siga siendo válido con fuentes que no sean cuadradas. Un archivo .onnx exportado se vuelve a cargar con LibreYOLO() según la extensión de su archivo y devuelve el mismo Results.

from libreyolo import LibreYOLO model = LibreYOLO("LibreFasterRCNNl.pt")model.export(format="onnx", imgsz=800)

libreyolo export model=LibreFasterRCNNl.pt format=onnx imgsz=800

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 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("LibreFasterRCNNl.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@inproceedings{renNIPS15fasterrcnn,
    Author = {Shaoqing Ren and Kaiming He and Ross Girshick and Jian Sun},
    Title = {Faster {R-CNN}: Towards Real-Time Object Detection
             with Region Proposal Networks},
    Booktitle = {Advances in Neural Information Processing Systems ({NIPS})},
    Year = {2015}
}