CenterNet

Installation

CenterNet ne demande aucun extra optionnel. Tout ce qu'il importe fait partie de l'installation de base.

pip install libreyolo

Prédire

Les poids sont téléchargés depuis Hugging Face au premier usage, puis mis en cache localement.

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)

L'objet Results renvoyé est celui que renvoient toutes les familles, si bien que passer à un autre détecteur ne demande qu'une ligne de changement. conf et max_det filtrent les pics de heatmap déjà classés ; iou est accepté par parité d'API mais n'a aucun effet, car le décodage top-k des pics de CenterNet n'a besoin d'aucune étape de suppression par IoU de boîtes. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Deux backbones. resdcn18 associe un tronc ResNet-18 à un upsampling par convolution déformable ; dla34 associe un tronc DLA-34 à un upsampling par agrégation profonde itérative. Les deux alimentent les mêmes trois têtes denses (heatmap, largeur/hauteur, offset) et le même canevas d'entrée.

Valider

val() renvoie un dictionnaire de clés metrics/ couvrant la précision, le rappel, la mAP 50 et la mAP 50-95, mesurées sur n'importe quel dataset dans le format avec lequel vous avez entraîné.

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

Exporter

L'export ONNX exige l'opset 16 ou plus récent : dans les deux backbones, l'étage d'upsampling par convolution déformable se traduit par l'opérateur ONNX GridSample, introduit par l'opset 16. Demander un opset antérieur lève une erreur avant le début du tracé.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # L'export ONNX exige l'opset 16 ou plus, car l'upsampling par# convolution déformable se traduit par GridSample, arrivé en 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 factory s'appuie sur l'extension du fichier, donc un artefact# exporté se charge comme un checkpoint et renvoie le même Results.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Licence

Citation

@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}
}