CenterNet

CenterNet은 객체를 바운딩 박스의 중심점으로 모델링하고 히트맵 피크에서 다른 모든 속성을 회귀하므로 앵커와 NMS 단계가 필요하지 않습니다. LibreYOLO는 이를 추론 전용 탐지기로 제공합니다.

작업: detection
크기: resdcn18, dla34 at 512 px
설치: pip install libreyolo
지원 티어: 추론 전용, v부터 지원. 예측, 검증, 내보내기만 지원합니다. 학습 기능은 적용되지 않습니다.
업스트림: UT Austin and UC Berkeley의 CenterNet, MIT. 논문, 소스
라이선스: 코드 MIT, 가중치 MIT. 상업적 사용

설치

CenterNet에는 선택적 extra가 필요하지 않습니다. 가져오는 모든 항목이 기본 설치에 포함됩니다.

bash

pip install libreyolo

예측

가중치는 처음 사용할 때 Hugging Face에서 내려받아 로컬에 캐시됩니다.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetresdcn18.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreCenterNetresdcn18.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

DLA-34

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetdla34.pt")result = model(SAMPLE_IMAGE, save=True)

반환되는 Results 객체는 모든 계열에서 동일하므로 다른 탐지기로 바꾸려면 한 줄만 수정하면 됩니다. conf와 max_det는 순위가 매겨진 히트맵 피크를 필터링합니다. CenterNet의 top-k 피크 디코딩에는 바운딩 박스 IoU 억제 단계가 필요하지 않으므로 API 동등성을 위해 iou를 허용하지만 효과가 없습니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

백본은 두 가지입니다. resdcn18은 ResNet-18 트렁크와 변형 가능 컨볼루션 업샘플링을 결합하고, dla34는 DLA-34 트렁크와 반복적 심층 집계 업샘플링을 결합합니다. 둘 다 같은 3개 밀집 헤드(히트맵, 너비 및 높이, 오프셋)와 같은 입력 캔버스를 사용합니다.

검증

val()은 학습에 사용한 형식의 모든 데이터셋을 대상으로 측정한 정밀도, 재현율, mAP 50, mAP 50-95를 포함하는 metrics/ 키 딕셔너리를 반환합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreCenterNetresdcn18.pt data=my-dataset.yaml

내보내기

작업	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: 지원함	Detection to TorchScript: 지원함	Detection to ExecuTorch: 지원함	Detection to TensorRT: 지원함	Detection to OpenVINO: 지원함	Detection to Paddle: 지원하지 않음	Detection to MNN: 지원하지 않음	Detection to RKNN: 지원하지 않음	Detection to ncnn: 지원하지 않음	Detection to TFLite: 지원하지 않음	Detection to CoreML: 지원하지 않음	Detection to Core AI: 지원하지 않음

ONNX 내보내기에는 opset 16 이상이 필요합니다. 두 백본의 변형 가능 컨볼루션 업샘플링 단계가 opset 16에서 도입된 ONNX GridSample 연산자로 낮춰집니다. 이전 opset을 요청하면 추적을 시작하기 전에 오류가 발생합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # ONNX 내보내기에는 opset 16 이상이 필요합니다. 변형 가능 컨볼루션# 업샘플링 단계가 opset 16에서 도입된 GridSample로 낮춰집니다.model.export(format="onnx", opset=18)model.export(format="tensorrt")

CLI

libreyolo export model=LibreCenterNetresdcn18.pt format=onnx opset=18

내보낸 파일 사용하기

from libreyolo import LibreYOLO # 팩토리는 파일 접미사로 라우팅하므로 내보낸 아티팩트도# 체크포인트처럼 불러오며 동일한 Results 객체를 반환합니다.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

체크포인트

이 계열에서 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreCenterNetresdcn18.pt	512	mit
LibreCenterNetdla34.pt	512	mit

위의 모든 파일은 현재 LibreYOLO 조직에 있으며 처음 사용할 때 내려받습니다.

라이선스

내려받는 특정 가중치의 Hugging Face 저장소에서 라이선스를 확인하십시오. LibreYOLO 조직의 모든 체크포인트에는 라이선스가 있으며 한 계열 안에서도 항상 같지는 않습니다. 해당 저장소가 신뢰할 수 있는 기준입니다. 아래 요약은 이 페이지를 마지막으로 검증했을 때 적용된 내용을 설명합니다.

관련 라이선스에 관한 설명이며 법률 자문이 아닙니다. 상업적으로 중요한 사안이라면 라이선스를 직접 읽고 별도의 법률 자문을 받으십시오.

원작: CenterNet, UT Austin and UC Berkeley
업스트림 라이선스: MIT
업스트림 소스: github.com/xingyizhou/CenterNet
LibreYOLO 코드: MIT
가중치: MIT, huggingface.co/LibreYOLO에 다시 게시됨
해석: MIT is a permissive license, so these weights can be used in commercial and closed-source products. It asks only that you keep the copyright notice and license text with any copy you redistribute, and it places no obligation on your own application code. The official ResDCN-18 and DLA-34 COCO checkpoints were published by the MIT-licensed CenterNet project but carry no separate per-checkpoint license file; LibreYOLO's mirror states MIT as implied by the releasing project rather than a publisher-confirmed, checkpoint-specific grant.

ResDCN-18 그래프는 Microsoft의 MIT 라이선스 human-pose-estimation.pytorch에도 저작자를 표시하며, DLA-34 그래프는 Fisher Yu의 BSD-3-Clause DLA 구현에도 저작자를 표시합니다. LibreYOLO는 업스트림 프로젝트가 사용한 원본 DCNv2 확장을 포함하지 않습니다. 네이티브 실행은 torchvision의 BSD-3-Clause deform_conv2d를 대신 사용하며 내보내기 전용 이식 가능 구현은 LibreYOLO를 위해 별도로 작성했습니다.

인용

@inproceedings{zhou2019objects,
  title={Objects as Points},
  author={Zhou, Xingyi and Wang, Dequan and Kr{\"a}henb{\"u}hl, Philipp},
  booktitle={arXiv preprint arXiv:1904.07850},
  year={2019}
}

github.com/xingyizhou/CenterNet#citation에 있는 저자의 인용 블록에서 복사했습니다.