TEED

TEED (Tiny and Efficient Edge Detector) adalah jaringan konvolusional kecil yang memprediksi peta probabilitas tepi padat dari satu gambar RGB. LibreYOLO membungkus arsitekturnya hanya untuk deteksi tepi; tidak ada checkpoint yang disertakan bersama library.

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

Instalasi

TEED tidak memerlukan komponen tambahan opsional. Semua impornya tersedia dalam instalasi dasar.

bash

pip install libreyolo

Prediksi

LibreYOLO tidak menyediakan checkpoint TEED. Bobot yang dirilis secara resmi dilatih pada BIPED, yang ketentuan dataset-nya membatasi penggunaan hanya untuk tujuan nonkomersial, sehingga LibreYOLO tidak mencerminkannya. Konversi checkpoint yang berhak digunakan dengan weights/convert_teed_weights.py, yang memeriksa key tensor terhadap arsitektur runtime sebelum menulis berkas yang dapat dimuat LibreYOLO secara langsung:

bash

python weights/convert_teed_weights.py upstream.pth weights/LibreTEEDt-edge.pt --verify

Python

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

CLI

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

result.edges menyimpan hasil: array float32 (H, W) dalam [0, 1], dengan .binary(threshold) mengembalikan mask tepi boolean. Tidak ada kotak, sehingga conf, iou, dan max_det tidak berpengaruh. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

TEED menyediakan satu ukuran di LibreYOLO. Harness benchmark LibreYOLO belum mengukur family ini, sehingga tidak ada angka terbitan yang dapat dipakai untuk perbandingan.

Validasi

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

Python

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

CLI

libreyolo val model=weights/LibreTEEDt-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 resolusi tetap dengan batch 1: dynamic dan batch selain 1 ditolak, sedangkan graph hasil ekspor mengeluarkan satu peta probabilitas gabungan. Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx berperilaku seperti checkpoint dan mengembalikan Results yang sama.

Python

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

CLI

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

Gunakan berkas hasil ekspor

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-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: TEED, Xavier Soria
Lisensi upstream: MIT
Sumber upstream: github.com/xavysp/TEED
Kode LibreYOLO: MIT
Bobot: MIT, didistribusikan oleh penulisnya. LibreYOLO tidak menghosting atau mencerminkannya.
Interpretasi: MIT is a permissive license, so the TEED 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_teed_weights.py`; the MIT code license does not change the terms attached to whatever checkpoint you convert.

LibreYOLO tidak menerbitkan checkpoint TEED. Tidak ada yang dicerminkan di bawah organisasi LibreYOLO; sebagai gantinya, konversi checkpoint yang Anda miliki lisensinya dengan weights/convert_teed_weights.py.

Sitasi

@InProceedings{Soria_2023teed,
    author    = {Soria, Xavier and Li, Yachuan and Rouhani, Mohammad and Sappa, Angel D.},
    title     = {Tiny and Efficient Model for the Edge Detection Generalization},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
    month     = {October},
    year      = {2023},
    pages     = {1364-1373}
}

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