Faster R-CNN

Faster R-CNN은 영역 제안 네트워크가 2단계 분류기에 입력되는 방식으로 객체를 탐지하며, 별도 단계였던 영역 제안을 같은 학습 네트워크에 포함시킨 아키텍처입니다. LibreYOLO는 탐지용 torchvision 구현을 포팅합니다.

작업: detection
크기: n, s, m, l at 320 to 800 px
설치: pip install libreyolo
지원 티어: 추론 전용, v부터 지원. 예측, 검증, 내보내기만 지원합니다. 학습 기능은 적용되지 않습니다.
업스트림: PyTorch의 Faster R-CNN, BSD-3-Clause. 논문, 소스
라이선스: 코드 BSD-3-Clause, 가중치 BSD-3-Clause. 상업적 사용

설치

Faster R-CNN에는 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("LibreFasterRCNNl.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

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

반환되는 Results 객체는 모든 계열에서 동일하므로 다른 탐지기로 바꾸려면 한 줄만 수정하면 됩니다. conf와 iou는 신뢰도 및 NMS 임계값을 설정합니다. 쿼리 기반 탐지기와 달리 Faster R-CNN은 업스트림 NMS 단계를 유지합니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

크기는 4가지이며 같은 모델의 비례 변형이 아니라 각각 다른 torchvision 구성입니다. n은 320 px 입력의 MobileNetV3-Large, s는 800 px 입력의 같은 백본, m은 특징 피라미드가 있는 ResNet-50, l은 더 깊은 영역 제안 헤드와 m의 헤드 대신 4개 컨볼루션 바운딩 박스 헤드를 사용하는 v2 개정판입니다. n과 s는 더 가벼운 백본을 위해 정확도를 절충합니다.

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

CLI

libreyolo val model=LibreFasterRCNNl.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: 지원하지 않음	Detection to ExecuTorch: 지원하지 않음	Detection to TensorRT: 지원하지 않음	Detection to OpenVINO: 지원하지 않음	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

Faster R-CNN은 배치 크기 1의 ONNX로만 내보냅니다. 내보낸 그래프는 업스트림 크기 조정 단계를 내부에 유지하므로 LibreYOLO는 전달된 값과 관계없이 dynamic=True를 강제하여 정사각형이 아닌 소스에도 그래프가 유효하도록 합니다. 내보낸 .onnx 파일은 파일 접미사에 따라 LibreYOLO()로 다시 불러오며 동일한 Results를 반환합니다.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFasterRCNNl.pt")model.export(format="onnx", imgsz=800)

CLI

libreyolo export model=LibreFasterRCNNl.pt format=onnx imgsz=800

내보낸 파일 사용하기

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

체크포인트

이 계열에서 공개된 모든 가중치 파일입니다.

파일	입력(px)	가중치 라이선스
Detection
LibreFasterRCNNn.pt	320	bsd-3-clause
LibreFasterRCNNs.pt	800	bsd-3-clause
LibreFasterRCNNm.pt	800	bsd-3-clause
LibreFasterRCNNl.pt	800	bsd-3-clause

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: Faster R-CNN, PyTorch
업스트림 라이선스: BSD-3-Clause
업스트림 소스: github.com/pytorch/vision
LibreYOLO 코드: MIT
가중치: BSD-3-Clause, huggingface.co/LibreYOLO에 다시 게시됨
해석: 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 four published checkpoints used for parity testing are 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 each Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.

인용

@inproceedings{renNIPS15fasterrcnn,
    Author = {Shaoqing Ren and Kaiming He and Ross Girshick and Jian Sun},
    Title = {Faster {R-CNN}: Towards Real-Time Object Detection
             with Region Proposal Networks},
    Booktitle = {Advances in Neural Information Processing Systems ({NIPS})},
    Year = {2015}
}

github.com/rbgirshick/py-faster-rcnn#citing-faster-r-cnn에 있는 저자의 인용 블록에서 복사했습니다.