DEKR

DEKR estimates multi-person poses from image-wide keypoint heatmaps and offsets.

Zadania: pose
Rozmiary: w32 at 640 px
Instalacja: pip install libreyolo
Poziom obsługi: Tylko inferencja, od wersji v1.6.0. Tylko predykcja, walidacja i eksport. Funkcje trenowania nie mają zastosowania.
Projekt źródłowy: DEKR, autorzy: HRNet authors, licencja: MIT. Publikacja, kod źródłowy
Licencje: Kod: MIT, wagi: No separate artifact grant recorded. Użycie komercyjne

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Downloads the W32 checkpoint from the upstream CDN and checks its SHA-256model = LibreYOLO("LibreDEKRw32-pose.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.keypoints)

The adapter uses the W32 no-deformable-convolution graph and 17 COCO person keypoints. Boxes enclose confident decoded joints. This is an inference-only family; the original deformable graph is a different checkpoint architecture.

Validate

Python

from libreyolo import LibreYOLO # Downloads the W32 checkpoint from the upstream CDN and checks its SHA-256model = LibreYOLO("LibreDEKRw32-pose.pt", device="cpu")# coco8-pose.yaml builds a 4-image COCO keypoint split on first usemetrics = model.val(data="coco8-pose.yaml", allow_download_scripts=True, workers=0)print(metrics)

Use the dataset format for this task. Validation explains the dataset requirements and returned metrics.

Export

Zadanie	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Pose	Pose to ONNX: obsługiwane	Pose to TorchScript: obsługiwane	Pose to ExecuTorch: brak obsługi	Pose to TensorRT: obsługiwane	Pose to OpenVINO: obsługiwane	Pose to Paddle: brak obsługi	Pose to MNN: brak obsługi	Pose to RKNN: brak obsługi	Pose to ncnn: brak obsługi	Pose to TFLite: brak obsługi	Pose to CoreML: brak obsługi	Pose to Core AI: brak obsługi

Python

from libreyolo import LibreYOLO # Downloads the W32 checkpoint from the upstream CDN and checks its SHA-256model = LibreYOLO("LibreDEKRw32-pose.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Licensing

Sprawdź licencję w repozytorium konkretnych pobieranych wag na Hugging Face. Każdy checkpoint w organizacji LibreYOLO ma licencję, która nie zawsze jest taka sama w całej rodzinie. To repozytorium jest źródłem rozstrzygającym, a poniższe podsumowanie opisuje stan z chwili ostatniej weryfikacji tej strony.

To opis obowiązujących licencji, a nie porada prawna. Jeśli odpowiedź ma znaczenie komercyjne, przeczytaj licencje i zasięgnij własnej porady prawnej.

Oryginalna praca: DEKR, HRNet authors
Licencja projektu źródłowego: MIT
Kod źródłowy projektu: github.com/HRNet/DEKR
Kod LibreYOLO: MIT
Wagi: No separate artifact grant recorded, rozpowszechniane przez autorów. LibreYOLO ich nie hostuje ani nie udostępnia kopii.
Interpretacja: The upstream implementation is MIT. The adapter retrieves the released checkpoint from its source CDN.

Citation

@inproceedings{GengSXZW21,
  title={Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression},
  author={Zigang Geng, Ke Sun, Bin Xiao, Zhaoxiang Zhang, Jingdong Wang},
  booktitle={CVPR},
  year={2021}
}

Skopiowano z bloku cytowania autorów w raw.githubusercontent.com/HRNet/DEKR/main/README.md.