DexiNed

DexiNed (Dense Extreme Inception Network) è una rete convoluzionale che predice una mappa densa di probabilità di bordo a partire da una sola immagine RGB. LibreYOLO ne include l'architettura solo per il rilevamento dei bordi; la libreria non distribuisce nessun checkpoint.

Task: edge
Dimensioni: b at 352 px
Installa: pip install libreyolo
Livello di supporto: Solo inferenza, dalla v. Solo predizione, validazione ed esportazione. Le funzionalità di addestramento non si applicano.
Origine: DexiNed di Xavier Soria, MIT. Articolo, sorgente
Licenze: Codice MIT, pesi MIT. Uso commerciale

Installazione

DexiNed non richiede nessun extra opzionale. Tutto ciò che importa è già nell'installazione di base.

bash

pip install libreyolo

Predizione

LibreYOLO non distribuisce nessun checkpoint di DexiNed. I pesi rilasciati ufficialmente sono addestrati su BIPED, i cui termini pubblicati del dataset limitano l'uso a scopi non commerciali, quindi LibreYOLO non li rende disponibili sui propri mirror. Converti un checkpoint per cui hai la licenza d'uso con weights/convert_dexined_weights.py, che controlla le chiavi dei tensori rispetto all'architettura del runtime prima di scrivere un file che LibreYOLO può caricare direttamente:

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 in [0, 1]print(edges.binary(0.5).sum())  # n. di pixel di bordo dopo la soglia

CLI

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

result.edges contiene il risultato: un array float32 (H, W) in [0, 1], con .binary(threshold) che restituisce una maschera booleana dei bordi. Non ci sono box, quindi conf, iou e max_det non hanno alcun effetto. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

DexiNed è disponibile in un'unica taglia in LibreYOLO. Il sistema di benchmark di LibreYOLO non ha misurato questa famiglia, quindi non ci sono numeri pubblicati con cui confrontarla.

Validazione

val() riporta le F-measure ODS e OIS in stile BSDS rispetto a un dataset di bordi accoppiato: immagini affiancate a mappe di bordi con lo stesso nome base, con una maschera di validità opzionale in modo che i pixel di padding non contino mai. imgsz deve essere divisibile per lo stride di downsample della rete, e LibreYOLO solleva un errore chiaro se non lo è.

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 a scala ottimale sul datasetprint(metrics["metrics/OIS"])   # F-measure a scala ottimale sull'immagine

CLI

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

Esportazione

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

L'esportazione dei bordi usa un contratto di runtime a risoluzione fissa e batch 1: dynamic e un batch diverso da 1 vengono rifiutati, e il grafo esportato restituisce un'unica mappa di probabilità fusa. Un artefatto esportato si ricarica con LibreYOLO() in base al suffisso del file, quindi un file .onnx si comporta come un checkpoint e restituisce lo stesso Results.

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

Usare il file esportato

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

Licenze

Controlla la licenza nel repository Hugging Face degli specifici pesi che scarichi. Ogni checkpoint nell<link>organizzazione LibreYOLO</link> ne include una e non è sempre la stessa per tutta la famiglia. Quel repository è la fonte autorevole; il riepilogo seguente descrive le condizioni applicabili al momento dellultima verifica di questa pagina.

Questa è una descrizione delle licenze coinvolte, non una consulenza legale. Se la risposta è importante a fini commerciali, leggi personalmente le licenze e chiedi una consulenza indipendente.

Lavoro originale: DexiNed, Xavier Soria
Licenza upstream: MIT
Sorgente upstream: github.com/xavysp/DexiNed
Codice LibreYOLO: MIT
Pesi: MIT, distribuiti dai rispettivi autori. LibreYOLO non li ospita né ne mantiene una copia.
Interpretazione: 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 non pubblica nessun checkpoint di DexiNed. Non c'è niente sui mirror dell'organizzazione LibreYOLO; converti invece un checkpoint per cui possiedi una licenza con weights/convert_dexined_weights.py.

Citazione

@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}
}

Copiato dal blocco di citazione degli autori disponibile su github.com/xavysp/DexiNed#citation.