DexiNed

DexiNed (Dense Extreme Inception Network) adalah jaringan konvolusional yang memprediksi peta probabilitas tepi padat dari satu gambar RGB. LibreYOLO membungkus arsitekturnya khusus untuk deteksi tepi; tidak ada checkpoint yang disertakan bersama library.

Task: edge
Ukuran: b at 352 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: DexiNed oleh Xavier Soria, MIT. Makalah, sumber
Lisensi: Kode MIT, bobot MIT. Penggunaan komersial

Instalasi

DexiNed tidak membutuhkan extra opsional. Semua yang diimpornya sudah ada di instalasi dasar.

bash

pip install libreyolo

Prediksi

LibreYOLO tidak menyertakan checkpoint DexiNed. Bobot yang dirilis resmi dilatih pada BIPED, yang ketentuan dataset publiknya membatasi penggunaan untuk tujuan non-komersial, jadi LibreYOLO tidak menyediakan mirror-nya. Konversikan checkpoint yang Anda punya lisensinya dengan weights/convert_dexined_weights.py, yang memeriksa key tensor terhadap arsitektur runtime sebelum menulis berkas yang bisa dimuat LibreYOLO secara langsung:

bash

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE, save=True) edges = result.edgesprint(edges.array.shape)        # (H, W) float32 di [0, 1]print(edges.binary(0.5).sum())  # jumlah piksel tepi setelah ambang batas

CLI

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

result.edges memuat hasilnya: array float32 (H, W) dengan nilai di [0, 1], dan .binary(threshold) mengembalikan mask tepi boolean. Tidak ada box di sini, jadi conf, iou dan max_det tidak berpengaruh. Lihat prediksi untuk sumber, streaming dan penanganan hasil.

Varian

DexiNed hadir dalam satu ukuran di LibreYOLO. Harness benchmark LibreYOLO belum pernah mengukur family ini, jadi belum ada angka yang dipublikasikan sebagai pembandingnya.

Validasi

val() melaporkan F-measure ODS dan OIS bergaya BSDS terhadap dataset tepi berpasangan: gambar berdampingan dengan peta tepi bernama dasar sama, plus mask validitas opsional agar piksel padding tidak pernah ikut dihitung. imgsz harus habis dibagi stride downsample jaringan, dan LibreYOLO memunculkan error yang jelas bila tidak.

Python

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])   # F-measure pada optimal dataset scaleprint(metrics["metrics/OIS"])   # F-measure pada optimal image scale

CLI

libreyolo val model=weights/LibreDexiNedb-edge.pt data=my-dataset.yaml imgsz=352

Ekspor

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

Ekspor tepi memakai kontrak runtime beresolusi tetap dengan batch 1: dynamic dan batch selain 1 ditolak, dan graph hasil ekspor mengeluarkan satu peta probabilitas yang sudah digabung. Artefak hasil ekspor dimuat kembali lewat LibreYOLO() berdasarkan sufiks berkasnya, jadi berkas .onnx berperilaku seperti checkpoint dan mengembalikan Results yang sama.

Python

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

CLI

libreyolo export model=weights/LibreDexiNedb-edge.pt format=onnx imgsz=352libreyolo export model=weights/LibreDexiNedb-edge.pt format=tensorrt imgsz=352 half=True

Memakai berkas hasil ekspor

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

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: DexiNed, Xavier Soria
Lisensi upstream: MIT
Sumber upstream: github.com/xavysp/DexiNed
Kode LibreYOLO: MIT
Bobot: MIT, didistribusikan oleh penulisnya. LibreYOLO tidak menghosting atau mencerminkannya.
Interpretasi: MIT is a permissive license, so the DexiNed architecture LibreYOLO ports can be used in commercial and closed-source products, with the license text and copyright notice kept alongside any copy you redistribute. LibreYOLO ships no checkpoint for this family: the officially released weights are trained on BIPED, whose published dataset terms restrict use to non-commercial purposes, and mirroring them would carry that restriction into a nominally MIT-licensed download. Convert a checkpoint you hold a license for with `weights/convert_dexined_weights.py`; the MIT code license does not change the terms attached to whatever checkpoint you convert.

LibreYOLO tidak mempublikasikan checkpoint DexiNed. Tidak ada berkas yang disediakan sebagai mirror di bawah organisasi LibreYOLO; konversikan sendiri checkpoint yang Anda punya lisensinya dengan weights/convert_dexined_weights.py.

Sitasi

@INPROCEEDINGS {xsoria2020dexined,
author = {X. Soria and E. Riba and A. Sappa},
booktitle = {2020 IEEE Winter Conference on Applications of Computer Vision (WACV)},
title = {Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection},
year = {2020},
volume = {},
issn = {},
pages = {1912-1921},
keywords = {image edge detection;convolution;training;feeds;machine learning;task analysis;kernel},
doi = {10.1109/WACV45572.2020.9093290},
url = {https://doi.ieeecomputersociety.org/10.1109/WACV45572.2020.9093290},
publisher = {IEEE Computer Society},
address = {Los Alamitos, CA, USA},
month = {mar}
}

@article{soria2023dexined_ext,
title = {Dense extreme inception network for edge detection},
journal = {Pattern Recognition},
volume = {139},
pages = {109461},
year = {2023},
issn = {0031-3203},
doi = {https://doi.org/10.1016/j.patcog.2023.109461},
url = {https://www.sciencedirect.com/science/article/pii/S0031320323001619},
author = {Xavier Soria and Angel Sappa and Patricio Humanante and Arash Akbarinia},
keywords = {Edge detection, Deep learning, CNN, Contour detection, Boundary detection, Segmentation}
}

Disalin dari blok sitasi penulis di github.com/xavysp/DexiNed#citation.