CenterNet

Installazione

CenterNet non richiede nessun extra opzionale. Tutto quello che importa è nell'installazione base.

pip install libreyolo

Predizione

I pesi si scaricano da Hugging Face al primo utilizzo e restano in cache in locale.

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)

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

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

L'oggetto Results restituito è lo stesso che restituisce ogni famiglia, quindi passare a un rilevatore diverso è una modifica di una riga. conf e max_det filtrano i picchi della heatmap già ordinati; iou è accettato per parità di API ma non ha effetto, perché il decode top-k dei picchi di CenterNet non richiede nessun passaggio di soppressione per IoU dei box. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Due backbone. resdcn18 abbina un tronco ResNet-18 a un upsampling a convoluzione deformabile; dla34 abbina un tronco DLA-34 a un upsampling ad aggregazione profonda iterativa. Entrambi alimentano le stesse tre teste dense (heatmap, larghezza/altezza, offset) e lo stesso canvas di input.

Validazione

val() restituisce un dizionario di chiavi metrics/ che coprono precisione, recall, mAP 50 e mAP 50-95, misurate su qualsiasi dataset nel formato con cui hai addestrato.

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

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

Esportazione

L'esportazione in ONNX richiede opset 16 o superiore: la fase di upsampling a convoluzione deformabile presente in entrambi i backbone viene tradotta nell'operatore ONNX GridSample, introdotto dall'opset 16. Se chiedi un opset precedente viene sollevato un errore prima che inizi il tracing.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # L'esportazione in ONNX richiede opset 16 o superiore: la fase di# upsampling a convoluzione deformabile viene tradotta in GridSample,# introdotto dall'opset 16.model.export(format="onnx", opset=18)model.export(format="tensorrt")

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

from libreyolo import LibreYOLO # La factory instrada in base al suffisso del file, quindi un artefatto# esportato si carica come qualsiasi checkpoint e restituisce lo stesso# oggetto Results.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

Licenza

Citazione

@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}
}