visionvision.detect

vision.detect

vision.detect düğümü için tanımlanan girişleri, çıkışları ve çalışma ortamı desteğini inceleyin.

Video eğitimi

04

Gerçek bir LaiCai Flow iş akışında vision.detect düğümünü yapılandırmayı ve çalıştırmayı izleyin.

Düğüm eğitimi: Object Detect

YouTube’da izle

Girişler

5

GirişDeğer türüGereklilikKabul edilen kaynaklar

modelIdstringZorunluliteral

allClassesboolİsteğe bağlıliteral

classNamesarrayİsteğe bağlıliteral

minScorenumberZorunluliteral

roirectZorunluliteral

Çıkışlar

9

Çıkış yoluDeğer türüKoordinat alanı

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—

Çalışma ortamı desteği

MasaüstüDestekleniyor

Android AgentDestekleniyor

Model uyumluluğu ve teknik gereksinimler

ONNX uzantısı tek başına uyumluluk sağlamaz. LaiCai model girişini, çıkış tensörünü, kutu koordinatlarını, güven puanlarını ve sınıf sırasını anlayabilmelidir.

Tren özel bir algılama modeli

Model dosyası

ONNX biçimine aktarılmış standart bir YOLO nesne algılama modeli kullanın. PyTorch .pt dosyaları, bulut API model kimlikleri ve sınıflandırma, segmentasyon, poz veya döndürülmüş kutu modelleri doğrudan içe aktarılamaz.

.onnxtype: yolo

Giriş tensörü

0–1 aralığına normalize edilmiş float32 veya float16 değerlerle tek bir üç kanallı NCHW RGB giriş gerekir. LaiCai RGB 114 letterbox ile oranı korur; dinamik boyut çözülemezse 640 × 640 kullanır.

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

Sınıf eşleme

Sınıf kimlikleri 0’dan başlamalı, kesintisiz olmalı ve eğitim sırasını izlemelidir. id2label ile label2id uyuşmalı, className yapılandırılmış etiketle tam eşleşmelidir.

id2labellabel2idclassName

Boyut ve hız

Sürekli algılama için Nano veya Small ile başlayın. Büyük modeller daha doğru olabilir ancak daha fazla bellek kullanır ve yavaştır. Gerçek masaüstü ve Android cihazda ölçün.

n / s / m / l / x

Desteklenen çıkış tensörleri

Model aşağıdaki düzenlerden birinde tam olarak bir çıkış tensörü döndürmelidir. LaiCai ham YOLO çıkışına güven filtresi ve NMS uygular.

Çıkış biçimiDesteklenen shapeAnlam

raw_yolo_no_objectness[1, 4 + nc, N] / [1, N, 4 + nc]Ayrı objectness olmadan kutular ve sınıf puanları.

raw_yolo_with_objectness[1, 5 + nc, N] / [1, N, 5 + nc]Kutular, objectness ve sınıf puanları.

postprocessed_xyxy[1, N, 6] / [N, 6]NMS sonrası x1, y1, x2, y2, puan ve sınıf kimliği.

İçe aktarmadan önce kontrol

Dosya .pt veya bulut API kimliği değil, ONNX nesne algılama modelidir.
Bir NCHW RGB giriş ve bir desteklenen çıkış tensörü vardır.
INT8/UINT8 yerine float32 veya float16 kullanır.
Sınıf sırası ve biçim bilinir; tek sınıfta outputFormat belirtilir.
Klasörde bir .onnx vardır veya config.json modelFile ile belirtir.
Önce masaüstünde güncel kareyi test edin, sonra Android Agent’ta ayrıca doğrulayın.

config.json örneği

Etiketler ve outputFormat örnektir. Dışa aktarılan modelin gerçek sınıf sırası ve tensör biçimiyle değiştirin.

{
  "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
  }
}