FCOS

FCOS детектирует объекты попиксельно, а не опирается на набор заранее заданных якорных рамок: он предсказывает рамку и оценку центральности (centerness) в каждой позиции карты признаков. LibreYOLO переносит реализацию из torchvision для детекции.

Задачи: detection
Размеры: r50 at 800 px
Установка: pip install libreyolo
Уровень поддержки: Только инференс, начиная с v. Только предсказание, валидация и экспорт. Функции обучения неприменимы.
Исходный проект: FCOS от PyTorch, BSD-3-Clause. Статья, исходный код
Лицензии: Код: BSD-3-Clause, веса: BSD-3-Clause. Коммерческое использование

Установка

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

bash

pip install libreyolo

Предсказание

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

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

Возвращаемый объект Results — тот же, что возвращают все семейства, поэтому замена на другой детектор — правка в одну строку. Если вызвать модель без аргументов с порогами, применяются собственные опубликованные значения по умолчанию для FCOS: conf=0.2, iou=0.6 и max_det=100; передайте любой из трёх, чтобы их переопределить. FCOS сохраняет финальный шаг NMS поверх своих попиксельных предсказаний. Про источники, стриминг и обработку результатов — в разделе предсказание.

Варианты

Один размер: ResNet-50 с пирамидой признаков — единственный вариант, который распознаёт это семейство.

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.

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

Экспорт

Задача	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX: поддерживается	Detection to TorchScript: поддерживается	Detection to ExecuTorch: не поддерживается	Detection to TensorRT: не поддерживается	Detection to OpenVINO: поддерживается	Detection to Paddle: не поддерживается	Detection to MNN: не поддерживается	Detection to RKNN: не поддерживается	Detection to ncnn: не поддерживается	Detection to TFLite: не поддерживается	Detection to CoreML: не поддерживается	Detection to Core AI: не поддерживается

FCOS экспортируется в ONNX, TorchScript и OpenVINO. Перед запуском графа FCOS сохраняет исходное соотношение сторон, поэтому для путей ONNX и OpenVINO LibreYOLO принудительно ставит dynamic=True независимо от того, что было передано, — чтобы граф оставался корректным для входных форм с паддингом. Экспортированный файл .onnx загружается обратно через LibreYOLO() по суффиксу файла и возвращает тот же 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

Использование экспортированного файла

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Фабрика выбирает путь по суффиксу файла, поэтому экспортированный артефакт# загружается как любой чекпойнт и возвращает тот же объект Results.model = LibreYOLO("LibreFCOSr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Чекпойнты

Все опубликованные файлы весов этого семейства.

Файл	Вход (пикс.)	Лицензия весов
Detection
LibreFCOSr50.pt	800	bsd-3-clause

Все перечисленные выше файлы уже доступны в организации LibreYOLO и скачиваются при первом использовании.

Лицензирование

Проверяйте лицензию в репозитории конкретных весов на Hugging Face. Она указана для каждого чекпойнта в организации LibreYOLO и может различаться даже внутри одного семейства. Этот репозиторий считается авторитетным источником, а сводка ниже описывает условия на момент последней проверки страницы.

Это описание соответствующих лицензий, а не юридическая консультация. Если ответ важен для коммерческого использования, прочитайте лицензии самостоятельно и проконсультируйтесь с юристом.

Оригинальная работа: FCOS, PyTorch
Лицензия исходного проекта: BSD-3-Clause
Исходный код проекта: github.com/pytorch/vision
Код LibreYOLO: MIT
Веса: BSD-3-Clause, повторно опубликованы на huggingface.co/LibreYOLO
Толкование: 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.

Цитирование

@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}
}

Скопировано из блока цитирования авторов на странице github.com/tianzhi0549/FCOS#citations.