CenterNet

Установка

CenterNet не нужны опциональные extra. Всё, что он импортирует, входит в базовую установку.

pip install libreyolo

Предсказание

Веса скачиваются с Hugging Face при первом запуске и кэшируются локально.

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)

Возвращаемый объект Results — тот же, что возвращают все семейства, поэтому замена на другой детектор — правка в одну строку. conf и max_det фильтруют отранжированные пики тепловой карты; iou принимается ради совместимости API, но ни на что не влияет, потому что декодированию top-k пиков в CenterNet не нужен шаг подавления по IoU рамок. Про источники, стриминг и обработку результатов — в разделе предсказание.

Варианты

Два бэкбона. resdcn18 соединяет ствол ResNet-18 с апсемплингом на деформируемых свёртках; dla34 соединяет ствол DLA-34 с апсемплингом через итеративную глубокую агрегацию. Оба питают одни и те же три плотные головы (тепловая карта, ширина/высота, смещение) и один и тот же входной холст.

Валидация

val() возвращает словарь с ключами metrics/, покрывающими точность, полноту, mAP 50 и mAP 50-95, измеренные на любом датасете в том формате, в котором вы обучали модель.

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

Экспорт

Для экспорта в ONNX нужен opset 16 или новее: стадия апсемплинга на деформируемых свёртках в обоих бэкбонах разворачивается в ONNX-оператор GridSample, который появился в opset 16. Запрос более старого opset вызывает ошибку ещё до начала трассировки.

from libreyolo import LibreYOLO model = LibreYOLO("LibreCenterNetresdcn18.pt") # Для экспорта в ONNX нужен opset 16 или новее: стадия апсемплинга# на деформируемых свёртках разворачивается в GridSample, который появился в 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 # Фабрика выбирает путь по суффиксу файла, поэтому экспортированный артефакт# загружается как любой чекпойнт и возвращает тот же объект Results.model = LibreYOLO("LibreCenterNetresdcn18.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Чекпойнты

Все опубликованные файлы весов этого семейства.

Лицензирование

Цитирование

@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}
}