MoGe-2

MoGe-2는 RGB 이미지 하나에서 조밀한 표면 노멀 필드를 예측하는 단일 순전파 단안 기하 모델입니다. LibreYOLO는 공식 ViT-S, ViT-B, ViT-L 체크포인트를 통해 노멀 추정만 지원합니다.

작업: surface normals
크기: s, b, l at 518 px
설치: pip install libreyolo
지원 티어: 추론 전용, v1.5.0부터 지원. 예측, 검증, 내보내기만 지원합니다. 학습 기능은 적용되지 않습니다.
업스트림: Microsoft의 MoGe-2, MIT. 논문, 소스
라이선스: 코드 MIT, 가중치 MIT. 상업적 사용

설치

MoGe-2에는 선택적 extra가 필요하지 않습니다. 가져오는 모든 항목이 기본 설치에 포함됩니다.

bash

pip install libreyolo

예측

가중치는 처음 사용할 때 자동으로 다운로드됩니다. s와 l 크기는 LibreYOLO 미러를 사용하며, b는 계속 업스트림 체크포인트를 사용합니다.

Python

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

CLI

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

MoGe-2는 탐지 집합 대신 조밀 필드를 반환하므로 result.boxes는 비어 있고 conf, iou, max_det은 아무 효과가 없습니다. result.normal_map에 결과가 들어 있습니다. OpenCV 카메라 좌표계의 단위 벡터로 이루어진 (H, W, 3) 배열이며 +x는 오른쪽, +y는 아래쪽, +z는 장면 안쪽을 가리킵니다. 카메라를 향하는 표면은 (0, 0, -1)입니다. 이미지 목록을 예측하면 이미지마다 순전파를 한 번 실행합니다. 이 계열에는 스택 배치 고속 경로가 없습니다. 소스, 스트리밍, 결과 처리는 예측을 참조합니다.

변형

ViT-S, ViT-B, ViT-L의 세 인코더 크기가 별도 체크포인트로 제공되며 모두 같은 입력 해상도를 사용합니다. LibreYOLO 벤치마크 도구는 이 계열을 측정하지 않았으므로 크기를 비교할 수 있는 공개 정확도 수치가 없습니다. 연산 예산에 맞춰 크기를 선택합니다.

검증

val()은 페어링된 노멀 맵 데이터셋을 기준으로 각도 오차를 측정합니다. 이미지는 같은 기본 이름의 16비트 노멀 PNG 옆에 놓이며 선택적 유효성 마스크를 사용하면 패딩 픽셀과 유효하지 않은 픽셀을 계산에서 제외할 수 있습니다. 평균 및 중앙 각도 오차를 도 단위로 반환하고 11.25도, 22.5도, 30도 이내인 픽셀 비율도 반환합니다.

Python

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

CLI

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

내보내기

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

노멀 내보내기는 고정 해상도, 배치 1 런타임 계약을 사용합니다. dynamic과 1이 아닌 batch는 거부되며 imgsz는 ViT 인코더의 패치 크기로 나누어떨어져야 합니다. LibreYOLO는 실행 전에 이를 검사합니다. 내보낸 아티팩트는 파일 접미사에 따라 LibreYOLO()로 다시 불러오므로 .onnx 파일은 체크포인트처럼 동작하며 동일한 Results를 반환합니다.

Python

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

CLI

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

내보낸 파일 사용

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

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: MoGe-2, Microsoft
업스트림 라이선스: MIT
업스트림 소스: github.com/microsoft/MoGe
LibreYOLO 코드: MIT
가중치: MIT, huggingface.co/LibreYOLO에 다시 게시됨
해석: The publisher declares MIT for the model and checkpoints. LibreYOLO mirrors s and l; b remains an upstream download. The DINOv2 encoder retains its separate Apache-2.0 attribution.

s와 l 체크포인트는 LibreYOLO에서 미러링하며, b는 업스트림에 유지됩니다. 다운로드한 파일에는 배포자의 라이선스가 그대로 적용됩니다.

인용

@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}, 
}

github.com/microsoft/MoGe#-citation에 있는 저자의 인용 블록에서 복사했습니다.

설치

예측

변형

검증

내보내기

라이선스

인용

MoGe-2 아키텍처