FCOS

O FCOS detecta objetos por pixel em vez de depender de um conjunto de caixas âncora predefinidas, prevendo uma caixa e um score de centerness em cada posição do mapa de características. O LibreYOLO porta a implementação do torchvision para detecção.

Tarefas: detection
Tamanhos: r50 at 800 px
Instalação: pip install libreyolo
Nível de suporte: Somente inferência, desde a v. Somente predição, validação e exportação. Os recursos de treinamento não se aplicam.
Origem: FCOS por PyTorch, BSD-3-Clause. Artigo, código-fonte
Licenças: Código BSD-3-Clause, pesos BSD-3-Clause. Uso comercial

Instalação

O FCOS não precisa de nenhum extra opcional. Tudo o que ele importa está na instalação base.

bash

pip install libreyolo

Predição

Os pesos são baixados do Hugging Face no primeiro uso e ficam em cache local.

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreFCOSr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreFCOSr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

O objeto Results retornado é o mesmo que todas as famílias retornam, então trocar por outro detector é uma mudança de uma linha. Chamar o modelo sem argumentos de limiar aplica os defaults publicados pelo próprio FCOS, conf=0.2, iou=0.6 e max_det=100; passe qualquer um dos três para sobrescrevê-los. O FCOS mantém uma etapa final de NMS sobre suas predições por pixel. Veja predição para fontes, streaming e tratamento de resultados.

Variantes

Um tamanho só: ResNet-50 com uma pirâmide de características, a única variante que esta família reconhece.

Validação

val() retorna um dicionário de chaves metrics/ cobrindo precisão, recall, mAP 50 e mAP 50-95, medidos contra qualquer dataset no formato em que você treinou.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCOSr50.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreFCOSr50.pt data=my-dataset.yaml

Exportação

Tarefa	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: compatível	Detection to TorchScript: compatível	Detection to ExecuTorch: incompatível	Detection to TensorRT: incompatível	Detection to OpenVINO: compatível	Detection to Paddle: incompatível	Detection to MNN: incompatível	Detection to RKNN: incompatível	Detection to ncnn: incompatível	Detection to TFLite: incompatível	Detection to CoreML: incompatível	Detection to Core AI: incompatível

O FCOS exporta para ONNX, TorchScript e OpenVINO. O FCOS preserva a proporção da imagem de origem antes de o grafo rodar, então o LibreYOLO força dynamic=True nos caminhos de ONNX e OpenVINO, independentemente do que for passado, para manter o grafo válido com entradas preenchidas por padding. Um arquivo .onnx exportado carrega de volta por LibreYOLO() pela extensão do arquivo e retorna o mesmo Results.

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreFCOSr50.pt")model.export(format="onnx", imgsz=800)model.export(format="torchscript", imgsz=800)

CLI

libreyolo export model=LibreFCOSr50.pt format=onnx imgsz=800

Usar o arquivo exportado

from libreyolo import LibreYOLO, SAMPLE_IMAGE # A factory roteia pela extensão do arquivo, então um artefato exportado# carrega como qualquer checkpoint e retorna o mesmo objeto Results.model = LibreYOLO("LibreFCOSr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoints

Todos os arquivos de pesos publicados desta família.

Arquivo	Entrada (px)	Licença dos pesos
Detection
LibreFCOSr50.pt	800	bsd-3-clause

Todos os arquivos acima existem hoje na organização LibreYOLO e são baixados no primeiro uso.

Licenciamento

Confira a licença no repositório do Hugging Face correspondente aos pesos que você baixar. Cada checkpoint na organização LibreYOLO tem uma licença, e ela nem sempre é a mesma em toda a família. Esse repositório é a fonte oficial. O resumo abaixo descreve o que se aplicava na última verificação desta página.

Esta é uma descrição das licenças envolvidas, não uma orientação jurídica. Se a resposta tiver importância comercial, leia as licenças e procure sua própria assessoria.

Trabalho original: FCOS, PyTorch
Licença original: BSD-3-Clause
Código-fonte original: github.com/pytorch/vision
Código do LibreYOLO: MIT
Pesos: BSD-3-Clause, republicado em huggingface.co/LibreYOLO
Interpretação: BSD-3-Clause is a permissive license, so this code can be used in commercial and closed-source products with no obligation on your own application code. It asks only that you keep the copyright notice and disclaimer with any copy you redistribute, and it carries no patent grant. The published checkpoint used for parity testing is not distributed in the LibreYOLO source tree: torchvision's own documentation notes that a pretrained model's terms may depend on its training data, so the Hugging Face mirror ships the BSD text on that implied basis and repeats the caveat rather than issuing an explicit checkpoint-specific grant.

Citação

@inproceedings{tian2019fcos,
  title   =  {{FCOS}: Fully Convolutional One-Stage Object Detection},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {Proc. Int. Conf. Computer Vision (ICCV)},
  year    =  {2019}
}

@article{tian2021fcos,
  title   =  {{FCOS}: A Simple and Strong Anchor-free Object Detector},
  author  =  {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong},
  booktitle =  {IEEE T. Pattern Analysis and Machine Intelligence (TPAMI)},
  year    =  {2021}
}

Copiado do bloco de citação dos autores em github.com/tianzhi0549/FCOS#citations.