Deteksi tepi

Definisi

edge task memprediksi satu probabilitas per piksel dari satu gambar RGB: 0 berarti non-tepi dan 1 berarti tepi. Peta tetap kontinu, jadi memilih ambang yang mengubahnya menjadi gambar batas biner diserahkan kepada pemanggil, dan ambang yang tepat bergantung pada dataset dan penggunaan hilirnya.

Sebuah prediksi mengisi result.edges, sebuah muatan EdgeMap yang memegang (H, W) array float32 di [0, 1] pada kanvas gambar asli. .array mengembalikan itu peta sebagai NumPy dan .binary(threshold) mengembalikan topeng boolean. result.boxes tetap kosong, jadi conf, iou, dan max_det tidak berpengaruh. Results.plot() menutupi task ini dan menghasilkan peta secara langsung.

Model

Tiga keluarga melayani edge.

DexiNed, Jaringan Inception Ekstrem Padat, menggabungkan beberapa keluaran samping menjadi satu peta probabilitas dan berjalan pada 352 px asli.

TEED, Detektor Tepi Kecil dan Efisien, adalah jaringan kecil pada 352 px asli yang sama, dengan langkah downsample 4 dibanding DexiNed yang 16, sehingga menerima lebih banyak nilai dari imgsz.

LibreMODUS menghasilkan tepi gaya Canny sebagai satu target dari model apa pun ke apa pun. Ini membutuhkan modus tambahan dan akun Hugging Face Anda sendiri yang sah, dan tidak menawarkan val() maupun export(), sehingga tidak ikut serta dalam bagian validasi dan ekspor di bawah ini.

Prediksi

LibreYOLO menerbitkan checkpoint tanpa tepi. DexiNed dan TEED yang dirilis secara resmi bobot dilatih pada BIPED, yang istilah dataset yang dipublikasikan membatasi penggunaan untuk tujuan non-komersial, jadi LibreYOLO tidak mencerminkan mereka. Konversi checkpoint Anda memiliki lisensi untuk menggunakan, kemudian muat berkas yang dikonversi melalui jalur:

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Tidak ada checkpoint tepi yang dilengkapi dengan LibreYOLO; konversi terlebih dahulu (di bawah).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 pada 0.5

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreDexiNedb-edge.pt")result = model(SAMPLE_IMAGE) # Peta kontinu tetap sehingga ambang tetap sesuai keputusan Anda.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() menampilkan peta; ini didefinisikan untuk results tepi dan normal.result.plot().save("edges.png")

Nama berkas harus memiliki akhiran -edge task agar loader dapat mengenalinya itu. imgsz harus dapat dibagi oleh langkah downsample jaringan, dan LibreYOLO menimbulkan kesalahan yang jelas dengan menyebut pembagi saat itu tidak ada. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Format dataset

Validasi tepi memasangkan setiap gambar RGB dengan peta satu saluran berbatang sama dari resolusi yang sama, ditambah dengan mask validitas opsional.

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}

Targetnya adalah PNG atau TIF saluran tunggal, bukan visualisasi RGB. Bilangan bulat peta dibagi berdasarkan maksimum dtype mereka; peta float harus sudah terbatas dan berada di [0, 1]. Piksel mask dihitung sebagai valid ketika tidak nol, dan dipadatkan piksel tidak pernah berkontribusi pada metrik. edge_invert: true mencakup sumber yang simpan tepi hitam pada putih. Lihat dataset memformat untuk kontrak penuh.

Kereta

Tidak ada edge family di LibreYOLO yang memiliki implementasi pelatihan: train() memunculkan NotImplementedError pada ketiganya. Setiap halaman model menyebutkan skrip konversi yang mengubah checkpoint yang dilatih di tempat lain menjadi LibreYOLO yang dapat dimuat.

Validasi

val() melaporkan ukuran F gaya BSDS. Prediksi kontinu ditipiskan pertama dengan penekanan maksimum non-empat arah gradien, kemudian diprediksi dan piksel tepi ground-truth dipasangkan satu ke satu dalam toleransi jarak.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])              # kecocokanprint(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 adalah ukuran F skala optimal-dataset: jumlah kecocokan digabungkan di seluruh dataset pada setiap ambang batas, dan F-measure gabungan terbaik dari itu adalah dilaporkan. Ini juga fitness, nomor baca pemilihan terbaik-checkpoint. metrics/OIS adalah F-measure skala-gambar-optimal, rata-rata di atas gambar dari masing-masing F-measure terbaik gambar itu sendiri, sehingga membiarkan setiap gambar memilih ambang batasnya sendiri. metrics/best_threshold adalah ambang tunggal yang menghasilkan ODS, yang adalah satu untuk digunakan kembali di edges.binary() saat inferensi.

Dua argumen membentuk rentang. edge_thresholds adalah kumpulan ambang batas yang dicoba, mengatur default ke 0,01 hingga 0,99 dalam satuan perseratus. edge_max_dist adalah kecocokannya toleransi sebagai pecahan dari diagonal gambar, secara default adalah 0.0075; sepasang lebih jauh dari itu bukanlah pasangan yang cocok.

Ekspor

Model tepi yang diekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks filenya, jadi a Berkas .onnx berperilaku seperti checkpoint dan mengembalikan Results yang sama.

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

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Pabrik mengarahkan pada akhiran berkas, sehingga artefak yang diekspor dimuat# seperti halnya checkpoint dan mengembalikan objek Results yang sama.model = LibreYOLO("weights/LibreDexiNedb-edge.onnx")result = model(SAMPLE_IMAGE) print(result.edges.array.shape)

Ekspor Edge menggunakan resolusi tetap, kontrak runtime batch-1: dynamic dan sebuah batch selain 1 ditolak, dan grafik yang diekspor memancarkan sebuah gabungan tunggal peta probabilitas. Cakupan per format ada pada DexiNed dan TEED halaman dan di matriks ekspor penuh. Ekspor mencantumkan argumen yang diterima setiap format.