Détection des contours

Définition

La tâche edge prédit une probabilité par pixel depuis une image RVB unique : 0 signifie l'absence de contour et 1 la présence d'un contour. La carte reste continue. Le choix du seuil qui la transforme en image binaire de limites revient donc à l'appelant, et le bon seuil dépend du dataset et de l'usage en aval.

Une prédiction remplit result.edges, une charge utile EdgeMap contenant un tableau float32 (H, W) dans [0, 1] sur le canevas de l'image d'origine. .array renvoie cette carte sous forme NumPy et .binary(threshold) renvoie un masque booléen. result.boxes reste vide. Les arguments conf, iou et max_det n'ont donc aucun effet. Results.plot() couvre cette tâche et rend directement la carte.

Modèles

Trois familles couvrent la tâche edge.

DexiNed, le Dense Extreme Inception Network, fusionne plusieurs sorties latérales dans une carte de probabilités unique et s'exécute à une résolution native de 352 pixels.

TEED, le Tiny and Efficient Edge Detector, est un petit réseau à la même résolution native de 352 pixels. Son pas de sous-échantillonnage est de 4, contre 16 pour DexiNed. Il accepte donc davantage de valeurs imgsz.

LibreMODUS produit des contours de type Canny comme l'une des cibles d'un modèle universel. Il nécessite l'extra modus et votre propre compte Hugging Face authentifié. Il ne propose ni val() ni export() et ne participe donc pas aux sections de validation et d'exportation ci-dessous.

Prédire

LibreYOLO ne publie aucun checkpoint de contours. Les poids DexiNed et TEED officiellement publiés ont été entraînés sur BIPED, dont les conditions du dataset limitent l'utilisation à des fins non commerciales. LibreYOLO ne les reproduit donc pas. Convertissez un checkpoint que votre licence vous autorise à utiliser, puis chargez le fichier converti par son chemin :

python weights/convert_dexined_weights.py upstream.pth weights/LibreDexiNedb-edge.pt --verify

from libreyolo import LibreYOLO, SAMPLE_IMAGE # LibreYOLO ne fournit aucun checkpoint de contours ; convertissez-en d'abord un.model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE, save=True) edges = result.edgesprint(edges.array.shape)          # float32 (H, W) dans [0, 1]print(edges.binary(0.5).sum())    # nombre de pixels de contour au seuil 0.5

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # La carte continue est conservée afin que le choix du seuil vous appartienne.for t in (0.3, 0.5, 0.7):    print(t, int(result.edges.binary(t).sum()))

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # plot() rend la carte ; cette méthode est définie pour les contours et les normales.result.plot().save("edges.png")

Le nom du fichier doit comporter le suffixe de tâche -edge afin que le chargeur le reconnaisse. imgsz doit être divisible par le pas de sous-échantillonnage du réseau. Dans le cas contraire, LibreYOLO déclenche une erreur claire qui nomme le diviseur. Consultez la page prédiction pour les sources, le streaming et la gestion des résultats.

Format du dataset

Pour la validation des contours, chaque image RVB est associée à une carte monocanale de même nom de base et de même résolution, ainsi qu'à un masque de validité facultatif.

dataset/
  data.yaml
  images/
    val/scene.jpg
  edges/
    val/scene.png
  masks/
    val/scene.png

path: dataset
train: images/train
val: images/val
edges_dir: edges
masks_dir: masks
nc: 1
names: {0: edge}

La cible est un PNG ou TIF monocanal, et non une visualisation RVB. Les cartes entières sont divisées par la valeur maximale de leur type. Les cartes flottantes doivent déjà être finies et comprises dans [0, 1]. Les pixels du masque sont considérés comme valides lorsqu'ils ne sont pas nuls, et ceux ajoutés pour le remplissage ne contribuent jamais aux métriques. edge_invert: true couvre les sources qui enregistrent des contours noirs sur fond blanc. Consultez les formats de datasets pour le contrat complet.

Entraîner

Aucune famille de contours de LibreYOLO ne possède d'implémentation d'entraînement. train() déclenche une NotImplementedError pour les trois. Chaque page de modèle indique le script de conversion qui transforme un checkpoint entraîné ailleurs en un fichier chargeable par LibreYOLO.

Valider

val() rapporte les mesures F de type BSDS. Les prédictions continues sont d'abord amincies par suppression des non-maxima du gradient dans quatre directions, puis les pixels de contours prédits et de vérité terrain sont associés un à un dans une tolérance de distance.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])              # fitnessprint(metrics["metrics/OIS"])print(metrics["metrics/best_threshold"])

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(    data="my-dataset.yaml",    imgsz=352,    edge_thresholds=(0.1, 0.2, 0.3, 0.4, 0.5),    edge_max_dist=0.0075,) print(metrics["metrics/ODS"], metrics["metrics/best_threshold"])

metrics/ODS est la mesure F optimale à l'échelle du dataset. Les nombres de correspondances sont regroupés sur le dataset à chaque seuil, puis la meilleure de ces mesures F regroupées est rapportée. Elle sert également de fitness, la valeur lue pour sélectionner le meilleur checkpoint. metrics/OIS est la mesure F optimale à l'échelle de l'image, soit la moyenne du meilleur score propre à chaque image. Chaque image peut donc choisir son seuil. metrics/best_threshold est le seuil unique qui a produit ODS. Il s'agit de la valeur à réutiliser dans edges.binary() pendant l'inférence.

Deux arguments définissent le balayage. edge_thresholds est l'ensemble des seuils essayés, de 0,01 à 0,99 par centièmes par défaut. edge_max_dist est la tolérance de correspondance exprimée comme une fraction de la diagonale de l'image. Elle vaut 0.0075 par défaut. Une paire plus éloignée ne constitue pas une correspondance.

Exporter

Un modèle de contours exporté se recharge par LibreYOLO() grâce au suffixe de son fichier. Un fichier .onnx se comporte donc comme un checkpoint et renvoie le même Results.

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # La fabrique s'oriente grâce au suffixe du fichier. Un artefact exporté# se charge donc comme tout checkpoint et renvoie le même objet Results.model = LibreYOLO("weights/LibreDexiNedb-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

L'exportation des contours emploie un contrat d'exécution à résolution fixe et à lot de taille 1. dynamic et toute valeur de batch différente de 1 sont refusés, et le graphe exporté émet une seule carte de probabilités fusionnée. La couverture de chaque format figure sur les pages DexiNed et TEED, ainsi que dans la matrice d'exportation complète. La page Exporter présente les arguments acceptés par chaque format.