PIDNet

Instalación

PIDNet 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. El sufijo -sem en el nombre del archivo es obligatorio para esta familia.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibrePIDNets-sem.pt")result = model(SAMPLE_IMAGE, save=True) mask = result.semantic_maskprint(mask.data.shape)   # (H, W) ids de claseprint(mask.classes)      # ids de clase presentes en la imagen, ordenados

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

La segmentación semántica devuelve un id de clase por píxel, no bounding boxes, así que result.semantic_mask lleva un array (H, W) en .data y la lista de ids de clase presentes en la imagen en .classes. conf, iou y max_det se aceptan por paridad de API pero no tienen ningún efecto: el modelo asigna una clase a cada píxel por argmax, sin umbral de confianza ni paso de NMS. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

Tres tamaños, todos con una entrada fija de 1024 px. Los checkpoints publicados son conversiones de los pesos oficiales de PIDNet para Cityscapes, con 19 clases.

LibreYOLO no entrena PIDNet: train() lanza NotImplementedError para esta familia, algo que el nivel de soporte de arriba marca como solo inferencia.

Validación

val() devuelve metrics/mIoU y metrics/pixel_accuracy, medidos contra cualquier dataset en el formato con el que entrenaste.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePIDNets-sem.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mIoU"])print(metrics["metrics/pixel_accuracy"])

libreyolo val model=LibrePIDNets-sem.pt data=my-dataset.yaml

Exportación

Un artefacto exportado se vuelve a cargar con LibreYOLO() según su extensión de archivo, así que un archivo .onnx o .engine se comporta como un checkpoint y devuelve el mismo Results. Exportación enumera los argumentos que acepta cada formato.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePIDNets-sem.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

libreyolo export model=LibrePIDNets-sem.pt format=onnxlibreyolo export model=LibrePIDNets-sem.pt format=tensorrt half=True

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("LibrePIDNets-sem.onnx")result = model(SAMPLE_IMAGE) print(result.semantic_mask.data.shape)

Checkpoints

Todos los archivos de pesos publicados de esta familia.

Licencia

Cita

@misc{xu2022pidnet,
      title={PIDNet: A Real-time Semantic Segmentation Network Inspired from PID Controller}, 
      author={Jiacong Xu and Zixiang Xiong and Shankar P. Bhattacharyya},
      year={2022},
      eprint={2206.02066},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}