FCOS

FCOS rileva gli oggetti pixel per pixel invece di affidarsi a un insieme di anchor box predefiniti, predicendo un box e un punteggio di centerness in ogni posizione della feature map. LibreYOLO porta l'implementazione di torchvision per il rilevamento.

Task: detection
Dimensioni: r50 at 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: FCOS di PyTorch, BSD-3-Clause. Articolo, sorgente
Licenze: Codice BSD-3-Clause, pesi BSD-3-Clause. Uso commerciale

Installazione

FCOS 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("LibreFCOSr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreFCOSr50.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. Chiamare il modello senza argomenti di soglia applica i valori predefiniti pubblicati da FCOS stesso, conf=0.2, iou=0.6 e max_det=100; passa uno qualsiasi dei tre per sovrascriverli. FCOS mantiene un passaggio finale di NMS sulle sue predizioni pixel per pixel. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Una sola taglia: ResNet-50 con una feature pyramid, l'unica variante che questa famiglia riconosce.

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("LibreFCOSr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreFCOSr50.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: supportato	Detection to ExecuTorch: non supportato	Detection to TensorRT: non supportato	Detection to OpenVINO: 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

FCOS esporta in ONNX, TorchScript e OpenVINO. FCOS preserva le proporzioni della sorgente prima che il grafo venga eseguito, quindi LibreYOLO forza dynamic=True per i percorsi ONNX e OpenVINO indipendentemente da quello che viene passato, per mantenere il grafo valido con forme di input con padding. 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("LibreFCOSr50.pt")model.export(format="onnx", imgsz=800)model.export(format="torchscript", imgsz=800)

CLI

libreyolo export model=LibreFCOSr50.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("LibreFCOSr50.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
LibreFCOSr50.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: FCOS, 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 published checkpoint used for parity testing is 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 the 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{tian2019fcos,
  title   =  {{FCOS}: Fully Convolutional One-Stage Object Detection},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {Proc. Int. Conf. Computer Vision (ICCV)},
  year    =  {2019}
}

@article{tian2021fcos,
  title   =  {{FCOS}: A Simple and Strong Anchor-free Object Detector},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {IEEE T. Pattern Analysis and Machine Intelligence (TPAMI)},
  year    =  {2021}
}

Copiato dal blocco di citazione degli autori disponibile su github.com/tianzhi0549/FCOS#citations.