MoGe-2

Installazione

MoGe-2 non richiede nessun extra opzionale. Tutto ciò che importa è già nell'installazione base.

pip install libreyolo

Predizione

I pesi vengono scaricati automaticamente al primo utilizzo: LibreYOLO preleva la dimensione corrispondente direttamente dai checkpoint ufficiali e la mette in cache in locale.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.pt")result = model(SAMPLE_IMAGE, save=True) normal = result.normal_mapprint(normal.array.shape)   # vettori unitari (H, W, 3) float32

libreyolo predict model=LibreMoGe2s-normal.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

MoGe-2 restituisce un campo denso invece di un insieme di rilevamenti, quindi result.boxes è vuoto e conf, iou e max_det non hanno alcun effetto. Il risultato sta in result.normal_map: un array (H, W, 3) di vettori unitari nel sistema di riferimento della camera OpenCV, dove +x va a destra, +y va verso il basso, +z entra nella scena, e una superficie rivolta verso la camera vale (0, 0, -1). Predire una lista di immagini esegue un forward pass per immagine; questa famiglia non ha un percorso rapido a batch impilato. Vedi predizione per sorgenti, streaming e gestione dei risultati.

Varianti

Tre dimensioni di encoder sono distribuite come checkpoint separati: ViT-S, ViT-B e ViT-L, tutte alla stessa risoluzione di input. Il banco di benchmark di LibreYOLO non ha misurato questa famiglia, quindi non ci sono numeri di accuratezza pubblicati per confrontarle; scegli una dimensione in base al tuo budget di calcolo.

Validazione

val() misura l'errore angolare rispetto a un dataset appaiato di mappe di normali: immagini affiancate a PNG di normali a 16 bit con lo stesso nome, più una maschera di validità opzionale, così i pixel di padding e quelli non validi non vengono mai conteggiati. Restituisce l'errore angolare medio e mediano in gradi, più la percentuale di pixel entro 11.25, 22.5 e 30 gradi.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")metrics = model.val(data="my-dataset.yaml", imgsz=518) print(metrics["metrics/mean_angular_error"])   # gradiprint(metrics["metrics/median_angular_error"])print(metrics["metrics/within_11_25"])          # percentuale di pixel

libreyolo val model=LibreMoGe2s-normal.pt data=my-dataset.yaml imgsz=518

Esportazione

L'esportazione delle normali usa un contratto di runtime a risoluzione fissa e batch 1: dynamic e un batch diverso da 1 vengono rifiutati, e imgsz deve essere divisibile per la dimensione delle patch dell'encoder ViT, cosa che LibreYOLO verifica prima che l'esecuzione inizi. 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.

from libreyolo import LibreYOLO model = LibreYOLO("LibreMoGe2s-normal.pt")model.export(format="onnx", imgsz=518)model.export(format="tensorrt", imgsz=518, half=True)

libreyolo export model=LibreMoGe2s-normal.pt format=onnx imgsz=518libreyolo export model=LibreMoGe2s-normal.pt format=tensorrt imgsz=518 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreMoGe2s-normal.onnx")result = model(SAMPLE_IMAGE) print(result.normal_map.array.shape)

Licenze

Citazione

@inproceedings{wang2025moge,
  title={Moge: Unlocking accurate monocular geometry estimation for open-domain images with optimal training supervision},
  author={Wang, Ruicheng and Xu, Sicheng and Dai, Cassie and Xiang, Jianfeng and Deng, Yu and Tong, Xin and Yang, Jiaolong},
  booktitle={Proceedings of the Computer Vision and Pattern Recognition Conference},
  pages={5261--5271},
  year={2025}
}

@misc{wang2025moge2,
      title={MoGe-2: Accurate Monocular Geometry with Metric Scale and Sharp Details}, 
      author={Ruicheng Wang and Sicheng Xu and Yue Dong and Yu Deng and Jianfeng Xiang and Zelong Lv and Guangzhong Sun and Xin Tong and Jiaolong Yang},
      year={2025},
      eprint={2507.02546},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.02546}, 
}