CenterNet

Instalacja

CenterNet nie wymaga opcjonalnego dodatku. Wszystkie importowane elementy znajdują się w instalacji bazowej.

pip install libreyolo

Predykcja

Przy pierwszym użyciu wagi są pobierane z Hugging Face i zapisywane lokalnie w pamięci podręcznej.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetresdcn18.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreCenterNetresdcn18.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreCenterNetdla34.pt")result = model(SAMPLE_IMAGE, save=True)

Zwracany obiekt Results jest taki sam dla każdej rodziny, dlatego zamiana detektora wymaga zmiany jednego wiersza. Argumenty conf i max_det filtrują uszeregowane szczyty mapy cieplnej. Argument iou jest akceptowany dla zgodności API, lecz nie ma wpływu na wynik, ponieważ dekodowanie szczytów top-k w CenterNet nie wymaga etapu tłumienia ramek na podstawie IoU. Zobacz stronę predykcji, aby poznać źródła, streaming i obsługę wyników.

Warianty

Dostępne są dwa backbone. resdcn18 łączy główną część ResNet-18 z upsamplingiem wykorzystującym deformowalny splot. dla34 łączy główną część DLA-34 z upsamplingiem wykorzystującym iteracyjną głęboką agregację. Oba warianty zasilają te same trzy gęste głowice (mapa cieplna, szerokość/wysokość, przesunięcie) i korzystają z tego samego obszaru wejściowego.

Walidacja

Metoda val() zwraca słownik kluczy metrics/ obejmujących precyzję, recall, mAP 50 i mAP 50-95, zmierzonych względem dowolnego zbioru danych w formacie użytym podczas trenowania.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreCenterNetresdcn18.pt data=my-dataset.yaml

Eksport

Eksport ONNX wymaga opset 16 lub nowszego. Etap upsamplingu z deformowalnym splotem w obu backbone jest przekształcany do operatora ONNX GridSample, który wprowadzono w opset 16. Wybranie starszego opset powoduje zgłoszenie błędu przed rozpoczęciem śledzenia grafu.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # Eksport ONNX wymaga opset 16 lub nowszego: etap upsamplingu# z deformowalnym splotem jest przekształcany do GridSample, dodanego w opset 16.model.export(format="onnx", opset=18)model.export(format="tensorrt")

libreyolo export model=LibreCenterNetresdcn18.pt format=onnx opset=18

from libreyolo import LibreYOLO # Fabryka wybiera ścieżkę na podstawie sufiksu pliku, więc wyeksportowany# artefakt wczytuje się jak każdy checkpoint i zwraca ten sam obiekt Results.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Licencjonowanie

Cytowanie

@inproceedings{zhou2019objects,
  title={Objects as Points},
  author={Zhou, Xingyi and Wang, Dequan and Kr{\"a}henb{\"u}hl, Philipp},
  booktitle={arXiv preprint arXiv:1904.07850},
  year={2019}
}