visionvision.detect

vision.detect

Consulta gli input, gli output e il supporto di esecuzione definiti per il nodo vision.detect.

Tutorial video

04

Guarda come configurare ed eseguire il nodo vision.detect in un flusso di lavoro LaiCai Flow reale.

Tutorial del nodo: Object Detect

Guarda su YouTube

Input

5

InputTipo di valoreRequisitoOrigini accettate

modelIdstringObbligatorioliteral

allClassesboolFacoltativoliteral

classNamesarrayFacoltativoliteral

minScorenumberObbligatorioliteral

roirectObbligatorioliteral

Output

9

Percorso di outputTipo di valoreSpazio delle coordinate

data.bestobject—

data.best.scorenumber—

data.best.modelIdstring—

data.best.classNamestring—

data.best.centerpointscreenRatio

data.best.center.xnumberscreenRatio

data.best.center.ynumberscreenRatio

data.best.rectrectscreenRatio

data.itemsarray—

Supporto di esecuzione

DesktopSupportato

Android AgentSupportato

Compatibilità e requisiti tecnici del modello

L’estensione ONNX da sola non garantisce la compatibilità. LaiCai deve anche interpretare input, tensore di output, coordinate, confidenza e ordine delle classi.

Allena un modello di rilevamento personalizzato

File del modello

Usa un modello YOLO standard di rilevamento oggetti esportato in ONNX. File PyTorch .pt, ID di modelli API ospitati e modelli di classificazione, segmentazione, posa o riquadri ruotati non si importano direttamente.

.onnxtype: yolo

Tensore di input

Serve un input RGB NCHW a tre canali, float32 o float16 normalizzato a 0–1. LaiCai conserva le proporzioni con letterbox RGB 114; se la dimensione dinamica non è nota usa 640 × 640.

[1, 3, H, W]float32 / float16

Mappatura classi

Gli ID partono da 0, sono continui e seguono l’ordine di addestramento. id2label e label2id devono coincidere e className deve essere identico all’etichetta configurata.

id2labellabel2idclassName

Dimensione e velocità

Inizia con Nano o Small per il rilevamento continuo. Modelli più grandi possono essere più precisi, ma usano più memoria e sono più lenti. Misura su desktop e Android reali.

n / s / m / l / x

Tensori di output supportati

Il modello deve restituire un solo tensore con uno dei seguenti layout. LaiCai applica filtro di confidenza e NMS all’output YOLO grezzo.

FormatoShape supportataSignificato

raw_yolo_no_objectness[1, 4 + nc, N] / [1, N, 4 + nc]Riquadri e punteggi classe senza objectness separato.

raw_yolo_with_objectness[1, 5 + nc, N] / [1, N, 5 + nc]Riquadri, objectness e punteggi classe.

postprocessed_xyxy[1, N, 6] / [N, 6]x1, y1, x2, y2, punteggio e ID classe dopo NMS.

Controlli prima dell’importazione

È un rilevatore ONNX, non un .pt o un ID API ospitato.
Ha un input RGB NCHW e un output supportato.
Usa float32 o float16, non INT8/UINT8.
Ordine e formato sono noti; una classe dichiara outputFormat.
La cartella contiene un .onnx o config.json indica modelFile.
Prova il fotogramma corrente su desktop, poi verifica separatamente in Android Agent.

Esempio config.json

Etichette e outputFormat sono esempi. Sostituiscili con ordine e formato reali del modello esportato.

{
  "id": "game-objects",
  "name": "Game Objects",
  "type": "yolo",
  "modelFile": "model.onnx",
  "outputFormat": "raw_yolo_no_objectness",
  "id2label": {
    "0": "ore",
    "1": "tree"
  },
  "label2id": {
    "ore": 0,
    "tree": 1
  }
}