MoGe-2

Installer

MoGe-2 ne nécessite aucun extra facultatif. Tous ses imports figurent dans l'installation de base.

pip install libreyolo

Prédire

Les poids se téléchargent automatiquement au premier usage. Les tailles s et l utilisent les miroirs de LibreYOLO ; b continue d'utiliser le checkpoint d'amont.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.pt")result = model(SAMPLE_IMAGE, save=True) normal = result.normal_mapprint(normal.array.shape)   # (H, W, 3), vecteurs unitaires float32

libreyolo predict model=LibreMoGe2s-normal.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

MoGe-2 renvoie un champ dense plutôt qu'un ensemble de détections. result.boxes est donc vide, et conf, iou ainsi que max_det n'ont aucun effet. result.normal_map contient le résultat : un tableau (H, W, 3) de vecteurs unitaires dans le repère de la caméra OpenCV, où +x pointe vers la droite, +y vers le bas, +z vers l'intérieur de la scène, et une surface face à la caméra vaut (0, 0, -1). La prédiction d'une liste d'images exécute une passe par image ; cette famille ne dispose d'aucun chemin rapide par batch empilé. Consultez la prédiction pour les sources, le streaming et le traitement des résultats.

Variantes

Trois tailles d'encodeur sont fournies sous forme de checkpoints distincts : ViT-S, ViT-B et ViT-L, toutes à la même résolution d'entrée. Le banc d'essai de LibreYOLO n'a pas mesuré cette famille, aucune valeur d'exactitude publiée ne permet donc de les comparer ; choisissez la taille en fonction de votre propre budget de calcul.

Valider

val() mesure l'erreur angulaire par rapport à un dataset de cartes de normales appariées : les images se trouvent à côté de fichiers PNG de normales 16 bits ayant le même radical, avec un masque de validité facultatif afin que les pixels de remplissage et non valides ne soient jamais comptés. La méthode renvoie l'erreur angulaire moyenne et médiane en degrés, ainsi que le pourcentage de pixels situés à moins de 11.25, 22.5 et 30 degrés.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")metrics = model.val(data="my-dataset.yaml", imgsz=518) print(metrics["metrics/mean_angular_error"])   # degrésprint(metrics["metrics/median_angular_error"])print(metrics["metrics/within_11_25"])          # pourcentage de pixels

libreyolo val model=LibreMoGe2s-normal.pt data=my-dataset.yaml imgsz=518

Exporter

L'export des normales utilise un contrat de runtime à résolution fixe et avec un batch de 1 : dynamic et toute valeur de batch autre que 1 sont refusés, et imgsz doit être divisible par la taille de patch de l'encodeur ViT, ce que LibreYOLO vérifie avant le début de l'exécution. Un artefact exporté se recharge par LibreYOLO() à partir de son suffixe de fichier. Un fichier .onnx se comporte donc comme un checkpoint et renvoie le même objet Results.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")model.export(format="onnx", imgsz=518)model.export(format="tensorrt", imgsz=518, half=True)

libreyolo export model=LibreMoGe2s-normal.pt format=onnx imgsz=518libreyolo export model=LibreMoGe2s-normal.pt format=tensorrt imgsz=518 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.onnx")result = model(SAMPLE_IMAGE) print(result.normal_map.array.shape)

Licence

Citation

@inproceedings{wang2025moge,
  title={Moge: Unlocking accurate monocular geometry estimation for open-domain images with optimal training supervision},
  author={Wang, Ruicheng and Xu, Sicheng and Dai, Cassie and Xiang, Jianfeng and Deng, Yu and Tong, Xin and Yang, Jiaolong},
  booktitle={Proceedings of the Computer Vision and Pattern Recognition Conference},
  pages={5261--5271},
  year={2025}
}

@misc{wang2025moge2,
      title={MoGe-2: Accurate Monocular Geometry with Metric Scale and Sharp Details}, 
      author={Ruicheng Wang and Sicheng Xu and Yue Dong and Yu Deng and Jianfeng Xiang and Zelong Lv and Guangzhong Sun and Xin Tong and Jiaolong Yang},
      year={2025},
      eprint={2507.02546},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.02546}, 
}