Faster R-CNN

Faster R-CNN rileva gli oggetti con una region proposal network che alimenta un classificatore a due stadi, l'architettura che ha reso le region proposal parte della stessa rete addestrata invece di un passaggio separato. LibreYOLO include il port dell'implementazione di torchvision per il rilevamento.

Task: detection
Dimensioni: n, s, m, l at 320 to 800 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: Faster R-CNN di PyTorch, BSD-3-Clause. Articolo, sorgente
Licenze: Codice BSD-3-Clause, pesi BSD-3-Clause. Uso commerciale

Installazione

Faster R-CNN non richiede nessun extra opzionale. Tutto quello che importa è nell'installazione base.

bash

pip install libreyolo

Predizione

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

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFasterRCNNl.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreFasterRCNNl.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg 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 iou impostano le soglie di confidenza e di NMS; Faster R-CNN mantiene il suo passaggio di NMS upstream, a differenza di un rilevatore basato su query. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Quattro dimensioni, ognuna una configurazione di torchvision diversa invece di una versione scalata della stessa: n è MobileNetV3-Large con input a 320 px, s è lo stesso backbone a 800 px, m è ResNet-50 con una feature pyramid e l è la revisione v2, con una testa di region proposal più profonda e una testa di box a quattro convoluzioni al posto di quella di m. n e s scambiano accuratezza per un backbone più leggero.

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.

Python

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

CLI

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

Esportazione

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

Faster R-CNN esporta solo in ONNX, con dimensione del batch pari a 1. Il grafo esportato mantiene al suo interno il passaggio di resize upstream, quindi LibreYOLO forza dynamic=True indipendentemente da quello che viene passato, per mantenere il grafo valido con sorgenti non quadrate. Un file .onnx esportato si ricarica tramite LibreYOLO() in base al suffisso del file e restituisce lo stesso Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFasterRCNNl.pt")model.export(format="onnx", imgsz=800)

CLI

libreyolo export model=LibreFasterRCNNl.pt format=onnx imgsz=800

Usare il file esportato

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 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("LibreFasterRCNNl.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tutti i file di pesi pubblicati per questa famiglia.

File	Ingresso (px)	Licenza dei pesi
Detection
LibreFasterRCNNn.pt	320	bsd-3-clause
LibreFasterRCNNs.pt	800	bsd-3-clause
LibreFasterRCNNm.pt	800	bsd-3-clause
LibreFasterRCNNl.pt	800	bsd-3-clause

Oggi tutti i file elencati sopra sono presenti nell<link>organizzazione LibreYOLO</link> e vengono scaricati al primo utilizzo.

Licenza

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: Faster R-CNN, PyTorch
Licenza upstream: BSD-3-Clause
Sorgente upstream: github.com/pytorch/vision
Codice LibreYOLO: MIT
Pesi: BSD-3-Clause, ripubblicati su huggingface.co/LibreYOLO
Interpretazione: BSD-3-Clause is a permissive license, so this code can be used in commercial and closed-source products with no obligation on your own application code. It asks only that you keep the copyright notice and disclaimer with any copy you redistribute, and it carries no patent grant. The four published checkpoints used for parity testing are not distributed in the LibreYOLO source tree: torchvision's own documentation notes that a pretrained model's terms may depend on its training data, so each Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.

Citazione

@inproceedings{renNIPS15fasterrcnn,
    Author = {Shaoqing Ren and Kaiming He and Ross Girshick and Jian Sun},
    Title = {Faster {R-CNN}: Towards Real-Time Object Detection
             with Region Proposal Networks},
    Booktitle = {Advances in Neural Information Processing Systems ({NIPS})},
    Year = {2015}
}

Copiato dal blocco di citazione degli autori disponibile su github.com/rbgirshick/py-faster-rcnn#citing-faster-r-cnn.