CenterNet

CenterNet memodelkan objek sebagai titik pusat bounding box-nya dan menghitung semua properti lainnya lewat regresi dari puncak heatmap, sehingga tidak butuh anchor maupun langkah non-maximum-suppression. LibreYOLO menyediakannya sebagai detektor khusus inferensi.

Task: detection
Ukuran: resdcn18, dla34 at 512 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: CenterNet oleh UT Austin and UC Berkeley, MIT. Makalah, sumber
Lisensi: Kode MIT, bobot MIT. Penggunaan komersial

Instalasi

CenterNet tidak memerlukan extra opsional. Semua yang diimpornya sudah tersedia di instalasi dasar.

bash

pip install libreyolo

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali dipakai lalu disimpan di cache lokal.

Python

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)

CLI

libreyolo predict model=LibreCenterNetresdcn18.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

DLA-34

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetdla34.pt")result = model(SAMPLE_IMAGE, save=True)

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti detektor dengan yang lain hanya butuh perubahan satu baris. conf dan max_det menyaring puncak heatmap yang sudah diurutkan; iou tetap diterima demi keseragaman API tetapi tidak berpengaruh, karena decode top-k puncak pada CenterNet tidak memerlukan langkah supresi berbasis IoU antar box. Lihat prediksi untuk source, streaming dan penanganan hasil.

Varian

Dua backbone. resdcn18 memadukan trunk ResNet-18 dengan upsampling deformable-convolution; dla34 memadukan trunk DLA-34 dengan upsampling iterative deep-aggregation. Keduanya memberi masukan ke tiga head dense yang sama (heatmap, lebar/tinggi, offset) dan kanvas input yang sama.

Validasi

val() mengembalikan dictionary berisi key metrics/ yang mencakup presisi, recall, mAP 50 dan mAP 50-95, diukur terhadap dataset apa pun dalam format yang dipakai saat pelatihan.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreCenterNetresdcn18.pt data=my-dataset.yaml

Ekspor

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: didukung	Detection to TorchScript: didukung	Detection to ExecuTorch: didukung	Detection to TensorRT: didukung	Detection to OpenVINO: didukung	Detection to Paddle: tidak didukung	Detection to MNN: tidak didukung	Detection to RKNN: tidak didukung	Detection to ncnn: tidak didukung	Detection to TFLite: tidak didukung	Detection to CoreML: tidak didukung	Detection to Core AI: tidak didukung

Ekspor ONNX membutuhkan opset 16 atau lebih baru: tahap upsampling deformable-convolution pada kedua backbone diturunkan menjadi operator ONNX GridSample, yang diperkenalkan opset 16. Meminta opset yang lebih lama akan memunculkan error sebelum tracing dimulai.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # Ekspor ONNX butuh opset 16 atau lebih baru: tahap upsampling# deformable-convolution diturunkan ke GridSample, yang diperkenalkan opset 16.model.export(format="onnx", opset=18)model.export(format="tensorrt")

CLI

libreyolo export model=LibreCenterNetresdcn18.pt format=onnx opset=18

Memakai berkas hasil ekspor

from libreyolo import LibreYOLO # Factory-nya memilih berdasarkan sufiks berkas, jadi artefak hasil ekspor# dimuat seperti checkpoint biasa dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Berkas	Input (piksel)	Lisensi bobot
Detection
LibreCenterNetresdcn18.pt	512	mit
LibreCenterNetdla34.pt	512	mit

Setiap berkas di atas saat ini tersedia di organisasi LibreYOLO dan diunduh saat pertama kali digunakan.

Lisensi

Periksa lisensi di repositori Hugging Face untuk bobot tertentu yang diunduh. Setiap checkpoint di organisasi LibreYOLO memiliki lisensi, dan lisensinya tidak selalu sama dalam satu family. Repositori tersebut adalah sumber resmi. Ringkasan di bawah menjelaskan ketentuan yang berlaku saat halaman ini terakhir diverifikasi.

Ini adalah deskripsi lisensi yang terlibat, bukan nasihat hukum. Jika jawabannya penting secara komersial, baca sendiri lisensinya dan mintalah nasihat dari penasihat hukum Anda.

Karya asli: CenterNet, UT Austin and UC Berkeley
Lisensi upstream: MIT
Sumber upstream: github.com/xingyizhou/CenterNet
Kode LibreYOLO: MIT
Bobot: MIT, dipublikasikan ulang di huggingface.co/LibreYOLO
Interpretasi: MIT is a permissive license, so these weights can be used in commercial and closed-source products. It asks only that you keep the copyright notice and license text with any copy you redistribute, and it places no obligation on your own application code. The official ResDCN-18 and DLA-34 COCO checkpoints were published by the MIT-licensed CenterNet project but carry no separate per-checkpoint license file; LibreYOLO's mirror states MIT as implied by the releasing project rather than a publisher-confirmed, checkpoint-specific grant.

Graf ResDCN-18 juga mengkredit human-pose-estimation.pytorch milik Microsoft yang berlisensi MIT, dan graf DLA-34 mengkredit implementasi DLA berlisensi BSD-3-Clause milik Fisher Yu. LibreYOLO tidak menyertakan ekstensi DCNv2 asli yang dipakai proyek upstream; eksekusi native memakai deform_conv2d BSD-3-Clause dari torchvision, dan implementasi portabel khusus ekspor ditulis terpisah untuk LibreYOLO.

Sitasi

@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}
}

Disalin dari blok sitasi penulis di github.com/xingyizhou/CenterNet#citation.