FCOS

FCOS detecta objetos píxel a píxel en lugar de apoyarse en un conjunto de anchor boxes predefinidos, y predice un box y una puntuación de centerness en cada posición del mapa de características. LibreYOLO porta la implementación de torchvision para detección.

Tareas: detection
Tamaños: r50 at 800 px
Instalación: pip install libreyolo
Nivel de compatibilidad: Solo inferencia, desde v. Solo permite predecir, validar y exportar. Las funciones de entrenamiento no se aplican.
Proyecto original: FCOS de PyTorch, BSD-3-Clause. Artículo, fuente
Licencias: Código BSD-3-Clause, pesos BSD-3-Clause. Uso comercial

Instalación

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

bash

pip install libreyolo

Predicción

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFCOSr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreFCOSr50.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. Llamar al modelo sin argumentos de umbral aplica los valores por defecto publicados por el propio FCOS, conf=0.2, iou=0.6 y max_det=100; pasa cualquiera de los tres para sobrescribirlos. FCOS mantiene un paso final de NMS sobre sus predicciones por píxel. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Un solo tamaño: ResNet-50 con una pirámide de características, la única variante que reconoce esta familia.

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.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCOSr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreFCOSr50.pt data=my-dataset.yaml

Exportación

Tarea	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: compatible	Detection to TorchScript: compatible	Detection to ExecuTorch: no compatible	Detection to TensorRT: no compatible	Detection to OpenVINO: compatible	Detection to Paddle: no compatible	Detection to MNN: no compatible	Detection to RKNN: no compatible	Detection to ncnn: no compatible	Detection to TFLite: no compatible	Detection to CoreML: no compatible	Detection to Core AI: no compatible

FCOS exporta a ONNX, TorchScript y OpenVINO. FCOS conserva la relación de aspecto de la fuente antes de que se ejecute el grafo, así que LibreYOLO fuerza dynamic=True en las rutas de ONNX y OpenVINO independientemente de lo que se pase, para mantener el grafo válido con formas de entrada con padding. Un archivo .onnx exportado se vuelve a cargar con LibreYOLO() según la extensión del archivo y devuelve el mismo Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCOSr50.pt")model.export(format="onnx", imgsz=800)model.export(format="torchscript", imgsz=800)

CLI

libreyolo export model=LibreFCOSr50.pt format=onnx imgsz=800

Usar el archivo exportado

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("LibreFCOSr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Archivo	Entrada (px)	Licencia de los pesos
Detection
LibreFCOSr50.pt	800	bsd-3-clause

Todos los archivos anteriores existen hoy en la organización de LibreYOLO y se descargan la primera vez que se usan.

Licencia

Comprueba la licencia en el repositorio de Hugging Face de los pesos concretos que descargues. Cada checkpoint de la organización de LibreYOLO incluye una, y no siempre es la misma en toda una familia. Ese repositorio es la fuente autorizada; el resumen siguiente describe qué se aplicaba cuando se verificó esta página por última vez.

Esta es una descripción de las licencias implicadas, no asesoramiento legal. Si la respuesta es importante a nivel comercial, lee las licencias y busca tu propio asesoramiento.

Trabajo original: FCOS, PyTorch
Licencia del proyecto original: BSD-3-Clause
Fuente del proyecto original: github.com/pytorch/vision
Código de LibreYOLO: MIT
Pesos: BSD-3-Clause, republicados en huggingface.co/LibreYOLO
Interpretación: BSD-3-Clause is a permissive license, so this code can be used in commercial and closed-source products with no obligation on your own application code. It asks only that you keep the copyright notice and disclaimer with any copy you redistribute, and it carries no patent grant. The published checkpoint used for parity testing is not distributed in the LibreYOLO source tree: torchvision's own documentation notes that a pretrained model's terms may depend on its training data, so the Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.

Cita

@inproceedings{tian2019fcos,
  title   =  {{FCOS}: Fully Convolutional One-Stage Object Detection},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {Proc. Int. Conf. Computer Vision (ICCV)},
  year    =  {2019}
}

@article{tian2021fcos,
  title   =  {{FCOS}: A Simple and Strong Anchor-free Object Detector},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {IEEE T. Pattern Analysis and Machine Intelligence (TPAMI)},
  year    =  {2021}
}

Copiado del bloque de cita de los autores en github.com/tianzhi0549/FCOS#citations.