TEED

Instalación

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

pip install libreyolo

Predicción

LibreYOLO no distribuye ningún checkpoint de TEED. Los pesos publicados oficialmente están entrenados sobre BIPED, cuyos términos de dataset publicados restringen el uso a fines no comerciales, así que LibreYOLO no los replica. Convierte un checkpoint que tengas licencia para usar con weights/convert_teed_weights.py, que comprueba las claves de los tensores contra la arquitectura del runtime antes de escribir un archivo que LibreYOLO puede cargar directamente:

python weights/convert_teed_weights.py upstream.pth weights/LibreTEEDt-edge.pt --verify

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-edge.pt")result = model(SAMPLE_IMAGE, save=True) edges = result.edgesprint(edges.array.shape)        # (H, W) float32 en [0, 1]print(edges.binary(0.5).sum())  # nº de píxeles de borde tras el umbral

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

result.edges contiene el resultado: un array float32 (H, W) en [0, 1], con .binary(threshold) devolviendo una máscara booleana de bordes. No hay boxes, así que conf, iou y max_det no tienen ningún efecto. Consulta predicción para fuentes, streaming y manejo de resultados.

Variantes

TEED incluye un único tamaño en LibreYOLO. El sistema de benchmarks de LibreYOLO no ha medido esta familia, así que no hay números publicados con los que compararla.

Validación

val() informa de las F-measures ODS y OIS al estilo de BSDS contra un dataset emparejado de bordes: imágenes junto a mapas de bordes con el mismo nombre base, con una máscara de validez opcional para que los píxeles de padding nunca cuenten. imgsz debe ser divisible por el stride de downsample de la red, y LibreYOLO lanza un error claro si no lo es.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreTEEDt-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])   # F-measure a escala óptima de datasetprint(metrics["metrics/OIS"])   # F-measure a escala óptima de imagen

libreyolo val model=weights/LibreTEEDt-edge.pt data=my-dataset.yaml imgsz=352

Exportación

La exportación de bordes usa un contrato de runtime de resolución fija y batch 1: se rechazan dynamic y cualquier batch distinto de 1, y el grafo exportado devuelve un único mapa de probabilidad fusionado. Un artefacto exportado se vuelve a cargar con LibreYOLO() según su extensión de archivo, así que un archivo .onnx se comporta como un checkpoint y devuelve el mismo Results.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreTEEDt-edge.pt")model.export(format="onnx", imgsz=352)model.export(format="tensorrt", imgsz=352, half=True)

libreyolo export model=weights/LibreTEEDt-edge.pt format=onnx imgsz=352libreyolo export model=weights/LibreTEEDt-edge.pt format=tensorrt imgsz=352 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

Licencia

Cita

@InProceedings{Soria_2023teed,
    author    = {Soria, Xavier and Li, Yachuan and Rouhani, Mohammad and Sappa, Angel D.},
    title     = {Tiny and Efficient Model for the Edge Detection Generalization},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
    month     = {October},
    year      = {2023},
    pages     = {1364-1373}
}