FCOS

FCOS détecte les objets pixel par pixel au lieu de s'appuyer sur un ensemble d'ancres prédéfinies, en prédisant une boîte et un score de centerness à chaque position de la carte de caractéristiques. LibreYOLO porte l'implémentation torchvision pour la détection.

Tâches: detection
Tailles: r50 at 800 px
Installer: pip install libreyolo
Niveau de support: Inférence uniquement, depuis v. Prédiction, validation et export uniquement. Les fonctionnalités d'entraînement ne s'appliquent pas.
Origine: FCOS par PyTorch, BSD-3-Clause. Article, source
Licences: Code BSD-3-Clause, poids BSD-3-Clause. Usage commercial

Installation

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

bash

pip install libreyolo

Prédire

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

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

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. Appeler le modèle sans argument de seuil applique les valeurs par défaut publiées par FCOS, conf=0.2, iou=0.6 et max_det=100 ; passez l'un des trois pour les remplacer. FCOS conserve une étape finale de NMS sur ses prédictions par pixel. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Une seule taille : ResNet-50 avec une pyramide de caractéristiques, la seule variante que cette famille reconnaît.

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.

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

Exporter

Tâche	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX : pris en charge	Detection to TorchScript : pris en charge	Detection to ExecuTorch : non pris en charge	Detection to TensorRT : non pris en charge	Detection to OpenVINO : pris en charge	Detection to Paddle : non pris en charge	Detection to MNN : non pris en charge	Detection to RKNN : non pris en charge	Detection to ncnn : non pris en charge	Detection to TFLite : non pris en charge	Detection to CoreML : non pris en charge	Detection to Core AI : non pris en charge

FCOS s'exporte vers ONNX, TorchScript et OpenVINO. FCOS préserve le rapport d'aspect de la source avant l'exécution du graphe, si bien que LibreYOLO force dynamic=True pour les chemins ONNX et OpenVINO quelle que soit la valeur passée, afin de garder le graphe valide pour des formes d'entrée complétées par padding. Un fichier .onnx exporté se recharge via LibreYOLO() d'après son extension et renvoie le même 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

Utiliser le fichier exporté

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 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("LibreFCOSr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Tous les fichiers de poids publiés de cette famille.

Fichier	Entrée (px)	Licence des poids
Detection
LibreFCOSr50.pt	800	bsd-3-clause

Tous les fichiers ci-dessus sont actuellement disponibles dans l<link>organisation LibreYOLO</link> et sont téléchargés à la première utilisation.

Licence

Vérifiez la licence dans le dépôt Hugging Face des poids précis que vous téléchargez. Chaque checkpoint de l<link>organisation LibreYOLO</link> en possède une, et elles ne sont pas toujours identiques au sein dune même famille. Ce dépôt fait autorité ; le résumé ci-dessous décrit les conditions applicables lors de la dernière vérification de cette page.

Ceci décrit les licences concernées et ne constitue pas un conseil juridique. Si la réponse a une importance commerciale, lisez vous-même les licences et consultez votre propre avocat.

Travail d'origine: FCOS, PyTorch
Licence du projet d'origine: BSD-3-Clause
Source du projet d'origine: github.com/pytorch/vision
Code de LibreYOLO: MIT
Poids: BSD-3-Clause, republiés sur huggingface.co/LibreYOLO
Interprétation: 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.

Citation

@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}
}

Copié depuis le bloc de citation des auteurs sur github.com/tianzhi0549/FCOS#citations.