DexiNed

DexiNed（Dense Extreme Inception Network）は、1枚のRGB画像から密なエッジ確率マップを予測する畳み込みネットワークです。LibreYOLOはそのアーキテクチャをエッジ検出専用でラップし、チェックポイントはライブラリに付属しません。

タスク: edge
サイズ: b at 352 px
インストール: pip install libreyolo
サポートティア: 推論のみ、v以降。推論、検証、エクスポートのみです。学習機能は対象外です。
アップストリーム: Xavier SoriaのDexiNed、MIT。論文、ソース
ライセンス: コード：MIT、重み：MIT。商用利用

インストール

DexiNedに任意の追加パッケージは必要ありません。インポートするものはすべて基本インストールに含まれます。

bash

pip install libreyolo

推論

LibreYOLOはDexiNedチェックポイントを提供しません。公式に公開された重みはBIPEDで学習されており、公開済みのデータセット規約が利用を非商用目的に制限するため、LibreYOLOはミラーしません。ライセンスを保有するチェックポイントをweights/convert_dexined_weights.pyで変換してください。この scriptは、LibreYOLOが直接読み込めるファイルを書き出す前に、テンソルkeyとランタイムアーキテクチャを照合します。

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、範囲[0, 1]print(edges.binary(0.5).sum())  # しきい値処理後のエッジピクセル数

CLI

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

結果はresult.edgesに入ります。[0, 1]範囲の(H, W)形状のfloat32配列で、 .binary(threshold)はbooleanのエッジマスクを返します。ボックスはないため、conf、iou、 max_detに効果はありません。入力ソース、ストリーミング、結果の処理については推論を参照してください。

バリアント

DexiNedはLibreYOLOで1サイズを提供します。LibreYOLOのベンチマークharnessはこのファミリーを測定していないため、比較できる公開数値はありません。

検証

val()は、対応するエッジデータセットに対してBSDS形式のODSおよびOIS F-measureを報告します。画像と同じstemのエッジマップを並べ、任意の有効性マスクによりpaddingされたピクセルを除外できます。 imgszはネットワークのdownsample strideで割り切れる必要があり、そうでない場合はLibreYOLOが明確なエラーを発生させます。

Python

from libreyolo import LibreYOLO model = LibreYOLO("weights/LibreDexiNedb-edge.pt")metrics = model.val(data="my-dataset.yaml", imgsz=352) print(metrics["metrics/ODS"])   # データセット全体で最適なF-measureprint(metrics["metrics/OIS"])   # 画像ごとに最適なF-measure

CLI

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

エクスポート

タスク	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
edge	edge to ONNX：対応	edge to TorchScript：対応	edge to ExecuTorch：対応	edge to TensorRT：対応	edge to OpenVINO：対応	edge to Paddle：非対応	edge to MNN：非対応	edge to RKNN：非対応	edge to ncnn：非対応	edge to TFLite：対応	edge to CoreML：非対応	edge to Core AI：非対応

エッジのエクスポートは固定解像度、バッチ1のランタイム契約を使います。dynamicと1以外の batchは拒否され、エクスポートしたグラフは1個のfused probability mapを出力します。エクスポートした成果物はファイル接尾辞に基づいてLibreYOLO()から再読み込みされます。そのため、 .onnxファイルはチェックポイントと同様に動作し、同じResultsを返します。

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

エクスポートしたファイルを使う

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

ライセンス

ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。

これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。

原著作物: DexiNed, Xavier Soria
アップストリームのライセンス: MIT
アップストリームのソース: github.com/xavysp/DexiNed
LibreYOLOのコード: MIT
重み: MIT、著者が配布。LibreYOLOではホストもミラーもしていません。
解釈: 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はDexiNedチェックポイントを公開しません。LibreYOLO組織の下には何もミラーされません。代わりに、ライセンスを保有するチェックポイントをweights/convert_dexined_weights.pyで変換してください。

引用

@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}
}

著者によるgithub.com/xavysp/DexiNed#citationの引用ブロックからコピーしています。