임계값과 필터링

네 가지 논점

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt") result = model(    SAMPLE_IMAGE,    conf=0.25,      # 예측을 이 점수 이상으로 유지하십시오    iou=0.45,       # NMS 겹침 임계값, NMS가 실행되는 위치    max_det=300,    # 이미지당 캡    classes=None,   # 또는 클래스 ID 목록)print(len(result.boxes))

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt") for conf in (0.1, 0.25, 0.5, 0.75):    result = model(SAMPLE_IMAGE, conf=conf)    print(conf, len(result.boxes))

libreyolo predict model=LibreYOLO9s.pt conf=0.4 iou=0.5 max_det=100 \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

이 중 두 가지는 보편적이고 두 가지는 그렇지 않은데, 이는 무엇이든 조정하기 전에 아는 것이 가장 유용한 한 가지입니다.

검증은 의도적으로 다른 기본값을 사용합니다: val()는 conf=0.001와 iou=0.6에서 실행됩니다. 이는 평균 정밀도가 전체 정밀도-재현율 곡선을 기준으로 계산되며, 0.25 컷오프는 이를 잘라버리기 때문입니다.

컨프

conf은 예측이 폐기되는 점수입니다. 이는 NMS를 실행하지 않는 계열를 포함한 모든 계열에 적용되며, 탐지가 너무 많거나 너무 적을 때 가장 먼저 조정하는 기준입니다.

0.25의 기본값은 사진을 보는 데 적합합니다. 하류 시스템에 공급할 때는 보통 더 높게 설정하기를 원하며, 정확도를 측정할 때는 훨씬 낮게 설정하기를 원합니다.

IOU

iou는 같은 클래스의 두 박스 중 점수가 낮은 박스를 제거하는 비최대 억제의 기준이 되는 겹침 정도입니다. 이는 해당 계열가 억제를 실행할 때만 의미가 있습니다.

세트 예측기는 고정된 수의 쿼리를 디코딩하고 점수가 높은 것들을 선택합니다. 중복은 후처리 단계가 아니라 학습 중 아키텍처 내에서 억제되므로 조정할 임계값이 없습니다. 이러한 계열는 API 일관성을 위해 iou를 허용하며 이를 무시합니다:

CenterNet, DEIM, DETR, Deformable DETR, D-FINE, DINO-DETR, EdgeCrafter, Faster R-CNN, LW-DETR, Mask R-CNN, RF-DETR, RT-DETR, 그리고 end-to-end YOLOv9 헤드. 이러한 디코더를 기반으로 구축된 변형들은 그 동작을 그대로 계승합니다.

from libreyolo import LibreYOLO, SAMPLE_IMAGE # RF-DETR는 고정된 쿼리 세트를 디코딩하므로 여기서 IOU는 아무 것도 바꾸지 않습니다.model = LibreYOLO("LibreRFDETRs.pt") loose = model(SAMPLE_IMAGE, iou=0.9)tight = model(SAMPLE_IMAGE, iou=0.1) # 어느 쪽이든 동일한 수치입니다. conf와 max_det가 작동하는 제어값입니다.print(len(loose.boxes), len(tight.boxes))

대부분은 후처리 도큐스트링에서 그렇게 말하지만, 실행 시 경고는 발생하지 않으므로 RF-DETR에서 iou를 전체적으로 수행하면 오류 대신 평평한 선이 나타납니다. Faster R-CNN과 Mask R-CNN은 약간 다른 경우입니다. 두 모델 모두 이미 모델 내부에서 NMS를 수행했으며, iou가 변경할 수 있는 방법을 지원하지 않는 고정된 업스트림 임계값을 사용합니다.

이 계열들은 이것을 사용합니다: YOLOv1부터 YOLOv4, YOLOv7, YOLOv9, YOLOX, YOLO-NAS, RTMDet, PicoDet, EfficientDet, FCOS, RetinaNet 그리고 SSD.

두 가지 예측 시 옵션은 모델이 끝난 후 두 가지 모두 상자를 병합하기 때문에 세트 예측기에서도 iou를 중요하게 만듭니다:

• tiling=True은 iou에서 클래스별 NMS로 겹치는 타일을 조정합니다
• augment=True는 각 클래스 NMS와 뒤집힌 뷰를 iou에서 병합합니다

둘 다 추론 성능에 포함되어 있습니다.

오픈-어휘 탐지기는 자체 규칙을 가지고 있습니다. 프로세서가 NMS를 실행하는 계열는 자체 기본 임계값을 선언하고 iou를 준수하며, 이는 OMDet-Turbo의 경우에 해당합니다. 아무 것도 억제하지 않는 계열인 Grounding DINO, OWLv2 및 OV-DEIM은 iou가 전달되면 경고를 발생시킵니다. 그 경고는 라이브러리에서 유일한 경고입니다.

최대_탐지

max_det는 한 이미지에 대해 몇 개의 예측이 반환되는지를 제한합니다. 이는 모든 곳에 적용되지만, 서로 다른 메커니즘을 통해 적용됩니다: NMS 계열은 억제 후에 잘라내고, 세트 예측기는 이를 상위 k 선택의 크기로 사용합니다.

어떤 계열들은 업스트림 참조 구성 때문에 요청하는 것과 상관없이 아래로 제한합니다. SSD는 200으로 한정되고, RTMDet 인스턴스 분할은 100으로 한정되며, FCOS는 이미지당 자체 탐지 한도에 따라 제한됩니다. max_det를 그 이상으로 올려도 효과가 없습니다.

max_det가 각 계열별이 아니라 중앙에서 적용되는 한 곳은 타일 추론이며, 여기서 병합된 목록은 타일이 조정된 후 잘립니다.

클래스 필터링

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt") # 클래스 ID는 model.names의 인덱스입니다. COCO에서 0은 사람입니다.result = model(SAMPLE_IMAGE, classes=[0]) print({result.names[int(c)] for c in result.boxes.cls.tolist()})

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9s.pt")result = model(SAMPLE_IMAGE) wanted = {"person", "backpack"}ids = [i for i, name in result.names.items() if name in wanted]print(ids) filtered = model(SAMPLE_IMAGE, classes=ids)print(len(filtered.boxes))

classes는 클래스 ID 목록을 받아 해당 클래스가 목록에 있는 예측만 유지합니다. ID는 result.names를 인덱싱하며, 가장 확실한 방법은 데이터셋 순서를 가정하기보다는 결과에서 names를 읽는 것입니다.

필터링은 각 계열의 후처리 후 중앙에서 발생하며, 모든 예측 경로가 통과하는 단일 깔때기에서 이루어집니다. 이것은 알아둘 가치가 있는 두 가지 결과를 가져옵니다. 모든 계열에서 작동하며, NMS가 없는 계열도 포함됩니다. 또한 상자와 정렬된 페이로드를 필터링하므로, 마스크, 키포인트 및 방향이 지정된 상자도 함께 잘려서 불일치되지 않습니다.

명령줄에서 classes는 단일 정수, 리스트 또는 쉼표로 구분된 문자열을 받습니다:

libreyolo predict model=LibreYOLO9s.pt classes=0 source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg
libreyolo predict model=LibreYOLO9s.pt classes="[0,2,5]" source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

필터링이 정확도를 저절로 높이지는 않습니다. 모델은 여전히 나중에 버리는 클래스를 예측하는 데 연산 예산을 사용하며, max_det는 필터링 전에 계열별로 적용되므로 원치 않는 클래스로 가득 찬 이미지가 관심 클래스에 도달하기 전에 한도에 이를 수 있습니다. 그런 경우 conf를 낮추거나 max_det를 높이십시오.

애그노스틱_nms

agnostic_nms는 허용되며 아무 작업도 하지 않습니다. 이를 전달하면 명령줄 호환성을 위한 아무 작업도 하지 않는 옵션이라는 경고가 표시되며, 해당 인자는 무시됩니다.

클래스에 무관한 억제 모드는 없습니다. 라이브러리의 모든 NMS 호출은 클래스 인식을 기반으로 하므로, 서로 다른 클래스의 두 개의 겹치는 상자도 어떤 iou에서든 모두 살아남습니다. 이것이 문제가 되는 경우, 먼저 classes로 필터링하거나 result.boxes에서 직접 클래스 간 억제를 수행하십시오.

무엇을 예측이 거부하는가

두 개의 인수가 경고 대신 발생합니다: visualize와 embed는 둘 다 NotImplementedError를 발생시킵니다. 임베딩의 경우, task="embed"로 모델을 로드하고 predict 또는 embed를 정상적으로 호출하십시오.

인식되지 않는 항목은 지원되는 옵션을 나열하는 TypeError를 발생시키므로, 오타는 조용히 무시되는 대신 즉시 실패합니다.

다음은 수락되었고, 경고되었으며, 폐기되었습니다: agnostic_nms, boxes, dnn, half, line_width, retina_masks, show_conf, show_labels 및 verbose.