MoGe-2

Instalasi

MoGe-2 tidak memerlukan extra opsional. Semua yang diimpornya tersedia dalam instalasi dasar.

pip install libreyolo

Prediksi

Bobot diunduh otomatis saat pertama kali digunakan. LibreYOLO mengambil ukuran yang cocok langsung dari checkpoint resmi dan menyimpannya dalam cache lokal.

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

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

MoGe-2 mengembalikan field padat, bukan sekumpulan deteksi, sehingga result.boxes kosong dan conf, iou, serta max_det tidak berpengaruh. result.normal_map memuat hasilnya, yaitu array unit vector (H, W, 3) dalam frame kamera OpenCV. +x mengarah ke kanan, +y ke bawah, +z masuk ke dalam adegan, dan permukaan yang menghadap kamera terbaca sebagai (0, 0, -1). Memprediksi daftar gambar menjalankan satu forward pass per gambar. Family ini tidak memiliki jalur cepat batch bertumpuk. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Ada tiga ukuran encoder yang disediakan sebagai checkpoint terpisah: ViT-S, ViT-B, dan ViT-L, semuanya pada resolusi input yang sama. Harness benchmark LibreYOLO belum mengukur family ini, sehingga belum ada angka akurasi yang dipublikasikan sebagai pembanding. Pilih ukuran sesuai anggaran komputasi Anda.

Validasi

val() mengukur error sudut terhadap dataset normal map berpasangan: gambar berdampingan dengan PNG normal 16-bit bernama stem sama, dengan mask validitas opsional agar piksel padding dan tidak valid tidak pernah dihitung. Fungsi ini mengembalikan error sudut mean dan median dalam derajat, serta persentase piksel dalam batas 11.25, 22.5, dan 30 derajat.

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

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

Ekspor

Ekspor normal memakai kontrak runtime resolusi tetap dengan batch 1. dynamic dan batch selain 1 ditolak, serta imgsz harus habis dibagi ukuran patch encoder ViT, yang diperiksa LibreYOLO sebelum run dimulai. Artefak hasil ekspor dapat dimuat kembali melalui LibreYOLO() berdasarkan akhiran berkasnya, sehingga berkas .onnx berperilaku seperti checkpoint dan mengembalikan Results yang sama.

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)

Lisensi

Sitasi

@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}, 
}