PicoSAM3

from libreyolo import LibreSAM, SAMPLE_IMAGE # PicoSAM3는 "pico" 한 크기만 있으므로 다른 별칭이 필요하지 않습니다.model = LibreSAM("picosam3") # bboxes=만 지원합니다. [x1, y1, x2, y2] 또는 바운딩 박스 목록이며# 바운딩 박스마다 마스크 하나를 생성합니다. 각 바운딩 박스는 10% 확장하고# 정사각형으로 만든 뒤 이미지에 맞춰 자르고 CNN 실행 전 96x96으로 조정합니다.result = model.predict(SAMPLE_IMAGE, bboxes=[300, 200, 900, 700])print(result.masks.xy)      # 마스크별 폴리곤print(result.boxes.xyxy)    # 마스크에서 파생된 꼭 맞는 바운딩 박스

from libreyolo import LibrePicoSAM3, SAMPLE_IMAGE model = LibrePicoSAM3() # set_image()는 소스 이미지를 캐시합니다. PicoSAM3는 바운딩 박스마다 전체# CNN 순전파를 실행하므로 다른 SAM 계열처럼 인코더 단계를 절약하는 대신# 이미지 로드와 디코딩을 절약합니다.model.set_image(SAMPLE_IMAGE)a = model.predict(bboxes=[300, 200, 900, 700])b = model.predict(bboxes=[100, 100, 400, 400])model.reset_image()

from libreyolo import LibrePicoSAM3 model = LibrePicoSAM3()model.export(format="onnx", output_path="LibrePicoSAM3pico.onnx") # 이 계열이 허용하는 내보내기 인수는 opset(기본값 13)과# dynamic(기본값 True, 배치 축만)뿐입니다.

import numpy as npimport onnxruntime as ort # PicoSAM3는 원시 96x96 ROI CNN을 내보냅니다: roi_image -> mask_logits.# 탐지기 체크포인트처럼 export()가 LibreYOLO()로 다시 라우팅되지 않으므로# 여기서 재사용할 LibreYOLO 측 전처리나 후처리는 없습니다.session = ort.InferenceSession("LibrePicoSAM3pico.onnx")name = session.get_inputs()[0].nameoutputs = session.run(None, {name: np.zeros((1, 3, 96, 96), dtype=np.float32)}) for meta, array in zip(session.get_outputs(), outputs):    print(meta.name, array.shape)