TEED

Installazione

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

pip install libreyolo

Predizione

LibreYOLO non distribuisce nessun checkpoint di TEED. 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_teed_weights.py, che controlla le chiavi dei tensori rispetto all'architettura del runtime prima di scrivere un file che LibreYOLO può caricare direttamente:

python weights/convert_teed_weights.py upstream.pth weights/LibreTEEDt-edge.pt --verify

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("weights/LibreTEEDt-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

libreyolo predict model=weights/LibreTEEDt-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

TEED 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.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreTEEDt-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

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

Esportazione

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.

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreTEEDt-edge.pt")model.export(format="onnx", imgsz=352)model.export(format="tensorrt", imgsz=352, half=True)

libreyolo export model=weights/LibreTEEDt-edge.pt format=onnx imgsz=352libreyolo export model=weights/LibreTEEDt-edge.pt format=tensorrt imgsz=352 half=True

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

Licenze

Citazione

@InProceedings{Soria_2023teed,
    author    = {Soria, Xavier and Li, Yachuan and Rouhani, Mohammad and Sappa, Angel D.},
    title     = {Tiny and Efficient Model for the Edge Detection Generalization},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops},
    month     = {October},
    year      = {2023},
    pages     = {1364-1373}
}