결과 유형

결과 객체

하나의 Results는 하나의 이미지를 설명합니다. 단일 이미지 소스는 그 중 하나를 반환하고, 목록 소스나 디렉터리는 목록을 반환하며, stream=True는 그것들을 생성하는 제너레이터를 반환합니다.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt")result = model(SAMPLE_IMAGE) print(result.orig_shape, result.path)print(result.boxes.xyxy)print(result.boxes.conf)print(result.names[int(result.boxes.cls[0])])

페이로드 슬롯

각 슬롯은 모델이 생성하지 않는 한 None입니다. 계열이 채우는 슬롯은 그 계열의 작업에 따라 결정됩니다.

result.normals는 result.normal_map의 읽기-쓰기 별칭입니다.

한 번에 하나 이상의 슬롯을 설정할 수 있습니다. 세분화 모델은 boxes와 masks를 모두 채우고, 시선 모델은 boxes를 얼굴 상자로, gaze를 각도로 채우며, 메시 모델은 boxes를 사람 상자로, meshes를 이와 행 정렬하여 채웁니다.

상자들

한 이미지에 대한 탐지 상자.

with_id(id)와 with_orig_shape(orig_shape)는 해당 필드가 교체된 새로운 Boxes를 반환합니다.

마스크

한 이미지에 대한 인스턴스 마스크. data는 마스크 텐서이며, xy는 픽셀 단위의 인스턴스 윤곽선을 반환하고 xyn는 정규화된 윤곽선을 반환합니다.

핵심 포인트

포즈 키포인트는 boxes와 행 정렬되어 있습니다. xy는 각 키포인트별 좌표 쌍이며 xyn는 정규화된 쌍입니다. 데이터에 채널이 하나 있을 때 conf가 세 번째 채널이며, 그렇지 않으면 None입니다. has_visible는 불리언 배열로, conf > 0인 곳은 true이며, 신뢰도 채널이 없으면 모두 true입니다.

포인트

한 이미지에 대한 점 위치 지정. data의 모양은 (N, 4)이며 행 수는 x, y, class, confidence입니다. 좌표는 절대 픽셀 단위입니다; xy와 cls와 conf가 열을 나누고, xyn가 좌표를 정규화합니다.

아마

분류 점수. top1는 우승 지수이고, top5는 다섯 개의 최고 지수이며, top1conf와 top5conf는 그들의 점수입니다.

OBB

정렬된 상자들. data는 행당 7개 또는 8개의 값을 가집니다: xywhr, 선택적 트랙 ID, 그 다음 신뢰도와 클래스.

응시

각 얼굴당 시선 각도(라디안 단위), 형상 (N, 2), 행은 boxes의 얼굴 상자와 정렬됨. 열 0은 피치이고 열 1은 요우이며, L2CS 규칙에 따름: 양의 요우는 시선을 피험자의 왼쪽으로 회전시키고 양의 피치는 시선을 아래로 회전시킴. pitch_deg와 yaw_deg는 각도를 도 단위로 변환하며, direction_3d는 단위 방향 벡터를 반환함.

시맨틱마스크

원본 이미지 캔버스 상의 정수 클래스 ID의 조밀한 의미 지도. 255는 무시 값이며 클래스(SemanticMask.IGNORE_INDEX)로 간주되지 않습니다. classes는 존재하는 클래스 ID를 나열하고, class_mask(class_id)는 한 클래스에 대한 불린 마스크를 반환합니다.

파노프틱 세그멘테이션

모든 픽셀은 정확히 하나의 겹치지 않는 세그먼트를 가지며, 사물 영역과 물체 인스턴스를 통합합니다. data는 (H, W) 정수 세그먼트-ID 맵입니다; 세그먼트 ID 0는 레이블이 없습니다 (PanopticSegmentation.IGNORE_INDEX). segments_info는 세그먼트별로 하나씩 dict의 리스트이며, 각 dict에는 적어도 {"id": int, "category_id": int}가 있고, 여기서 id는 맵의 값과 일치하며 category_id는 names를 인덱싱합니다. segment_ids는 존재하는 ID들을 나열하고 segment_mask(segment_id)는 하나의 세그먼트에 대한 불리언 마스크를 반환합니다.

사물 대 물질(Thing-versus-stuff)은 세그먼트가 아닌 범주의 속성입니다. 페이로드는 이를 각 세그먼트에 "isthing": bool로 비정규화할 수 있으며, 그렇게 할 때 값은 범주 수준의 맵과 일치해야 합니다.

깊이맵

조밀한 상대 역-깊이 지도, 원본 이미지 캔버스에서 (H, W) 형태의 부동 소수점. 값이 높을수록 카메라에 더 가까움. 값은 상대적이며, 미터 단위가 아님. min, max 및 mean는 유한 값에 대해 계산되며, normalized()는 지도를 [0, 1]로 재조정함.

노말맵

조밀한 표면 법선 필드, 원본 이미지 캔버스에서 float32 (H, W, 3), OpenCV 카메라 프레임에서: +x 오른쪽, +y 아래, +z 장면 안쪽. 법선은 카메라를 향하므로, 정면 평행 표면은 (0, 0, -1). 모든 픽셀은 단위 벡터입니다. assert_normalized(atol=1e-4)가 그 불변성을 확인합니다.

엣지맵

조밀한 엣지-확률 맵, 원본 이미지 캔버스상의 float32 (H, W), 여기서 0는 비엣지이고 1는 엣지입니다. 연속 맵은 유지되어 임계값이 호출자의 선택에 남도록 합니다: binary(threshold=0.5)가 하나를 적용하고 array가 numpy 뷰를 반환합니다.

복원된 이미지

복원된 RGB 이미지, (H, W, 3) uint8. 초해상도에서는 캔버스가 입력의 Results.restore_scale 배입니다. array는 numpy 뷰를 반환하고 save(path)는 이미지를 저장합니다.

무광

부드러운 불투명 매트, 원본 이미지 캔버스에서 float32 (H, W)를 [0, 1]에 둡니다. 1는 완전히 전경이고 0는 완전히 배경입니다. 부드러운 매트는 0.5에서 임계값이 적용된 하드 배경 제거 마스크를 포함하며, 이진 마스크가 버리는 안티앨리어싱 가장자리를 유지합니다. array는 numpy 뷰를 반환합니다.

무광 결과에서, Results.cutout(image=None)는 네 번째 채널이 매트인 RGBA (H, W, 4) uint8 배열을 반환하고, Results.save(path, image=None)는 그 잘라낸 부분을 투명 배경 PNG로 저장합니다. 둘 다 image가 주어지면 RGB를 가져오고, 그렇지 않으면 Results.path에서 다시 로드합니다.

OCR영역

원문 텍스트가 있는 위치 정보와 전사본이 포함되어 있습니다. data는 원본 이미지 픽셀 단위의 부동 소수점 다각형으로, 좌상, 우상, 우하, 좌하 순서이며, 영역은 읽는 순서대로 위에서 아래, 왼쪽에서 오른쪽으로 정렬됩니다. texts는 N개의 전사본 목록입니다. conf는 영역별 인식 점수이고 det_conf는 탐지 점수이며, 둘 다 (N,)입니다.

검출 쿼드는 실제 다각형이므로 Results.boxes를 채우지 않습니다. xyxy는 축에 정렬된 외피를 제공합니다.

임베딩

embed 작업에서 나온 L2 정규화 벡터는 항상 (N, D) 형태입니다. 전체 이미지 결과는 한 행을 가지며 상자는 없습니다; 영역 임베딩은 boxes와 행 기준으로 정렬됩니다. 각 행이 정규화되었기 때문에 코사인 유사도는 내적입니다.

정체성

명명된 갤러리는 embeddings와 행 정렬된 일치 항목입니다. Gallery가 embed 예측에 전달될 때 생성됩니다. name는 항목이 일치 임계값 아래인 None의 목록이며, 임계값 이하의 가장 가까운 이름은 절대 추측되지 않습니다. score는 일치 점수 배열이고 data는 이를 쌍으로 연결합니다.

메시

파라메트릭 인간 신체 메시는 boxes에서 사람 박스에 맞춰 행 단위로 정렬되어 있습니다. 모든 것은 원본 이미지의 카메라 프레임에 있습니다. transl는 미터 단위이며, +z는 카메라에서 멀어지는 방향을 가리킵니다; vertices와 joints3d는 미터 단위이며 이미 transl를 포함하고 있습니다; joints2d는 네트워크가 본 크롭이 아닌 원본 이미지 캔버스의 픽셀 단위입니다. 어떤 필드도 세계 또는 중력 프레임을 포함하지 않습니다.

파라미터 레이아웃은 바디 모델마다 다르므로 형태에 대해서는 하드코딩되어 있지 않습니다. body_model는 파라미터화를 지정하며, 카운트는 텐서에서 다시 읽습니다: num_vertices, num_joints, num_betas, has_vertices. params는 파라미터 딕트(parameter dict)를 반환하고 save_obj(path, index=0)는 하나의 메시를 작성합니다. 필드는 global_orient, body_pose, betas, transl, vertices, faces, joints3d, joints2d, conf, focal_length, extras입니다.

body_model="mhr"의 회전은 축-각이 아니라 라디안 단위의 오일러 각이고, body_pose는 관절마다 하나의 삼중항이 아니라 평면의 관절별 매개변수 벡터이며, betas는 항등 블렌드셰이프 계수입니다. 스켈레톤 크기, 손 포즈, 얼굴 표정은 extras에 있습니다.

변환 및 선택

모든 페이로드는 to(*args, **kwargs), cpu(), cuda() 및 numpy()를 가지고 있으며, Results에서 그 중 하나를 호출하면 모든 채워진 슬롯에 한 번에 적용됩니다.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLO9t.pt")result = model(SAMPLE_IMAGE) # 모든 페이로드가 함께 이동합니다.result = result.cpu().numpy() # 행을 일반 딕셔너리로, 그 다음에는 JSON으로.print(result.summary()[:1])print(result.to_json())

result[idx]는 행 정렬된 페이로드 전체에서 행을 선택합니다. len(result)는 박스가 없을 때 탐지 수 또는 포인트 수입니다. result.update(...)는 명명된 슬롯이 교체된 복사본을 반환합니다; 모든 슬롯과 track_id 및 restore_scale를 허용합니다.

요약 및 to_json

summary(normalize=False, decimals=5, embeddings=False)는 설정된 슬롯에 따라 탐지, 세그먼트, 포인트 또는 영역당 한 행씩의 일반 딕셔너리 목록을 반환합니다. to_json(**kwargs)는 자신의 인수를 summary에 전달하고 JSON 문자열을 반환합니다.

plot()는 표준 시각화에서 조밀한 정상 또는 엣지 결과를 렌더링하며, 다른 결과 유형에서는 증가합니다. 다른 작업에 대한 주석된 이미지는 predict(save=True)에서 가져옵니다.