ml.postprocessing.mediapipe — Google Mediapipe

Modulen ml.postprocessing.mediapipe innehåller efterbehandlare för Google Mediapipe-modeller.

class mediapipe_detection_postprocess – Generisk Mediapipe-detektor

Basklass som delas av BlazeFace och BlazePalm. Avkodar ankarbaserade begränsningsrutor och nyckelpunkter och utför sedan NMS.

class ml.postprocessing.mediapipe.mediapipe_detection_postprocess(threshold: float = 0.6, anchors: ndarray | None = None, anchor_grid: list[tuple[int, int]] | None = None, scores: list[int] = [], cords: list[int] = [], nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en generisk Mediapipe-detekteringsefterbehandlare.

threshold Poängtröskelvärde som tillämpas på råa logits före sigmoid.

anchors Valfri förbyggd ankararray med formen (N, 2) som innehåller centrum (cx, cy) normaliserade till [0, 1]. Om None genereras ankare från anchor_grid.

anchor_grid Lista med (grid_size, scales)-tupler som används för att generera ankare när anchors är None.

scores Lista med index för modellens utdata som innehåller poängtensorer.

cords Lista med index för modellens utdata som innehåller box-/nyckelpunktstensorer.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

__call__(model: ml.Model, inputs: list, outputs: list) → list

Kör efterbehandling på modellens utdata och returnera en lista med ((x, y, w, h), score, keypoints)-tupler. Returnerar en tom tupel () när ingen detektering klarar poängtröskelvärdet.

detection_post_process(ih: int, iw: int, nms: ml.utils.NMS, model: ml.Model, inputs: list, outputs: list, score_idx: int, cords_idx: int, t: float, anchors: ndarray) → None

Avkoda och lägg till begränsningsrutor från ett enskilt (score, cords)-utdatapar i den angivna NMS-ackumulatorn.

class BlazeFace – Ansiktsdetektering

Efterbehandlar utdata från BlazeFace-modeller.

class ml.postprocessing.mediapipe.BlazeFace(threshold: float = 0.6, anchors: ndarray | None = None, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en BlazeFace-efterbehandlare. Använder ett ankarrutnät på [(16, 2), (8, 6)] med poängutdata [1, 2] och boxutdata [0, 3].

threshold Poängtröskelvärde för detekteringar.

anchors Valfri förbyggd ankararray; genereras automatiskt om None.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

Returnerar en lista med ((x, y, w, h), score, keypoints)-tupler från __call__, där keypoints är en lista med (x, y)-punkter.

class BlazePalm – Handflatedetektering

Efterbehandlar utdata från BlazePalm-modeller.

class ml.postprocessing.mediapipe.BlazePalm(threshold: float = 0.6, anchors: ndarray | None = None, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en BlazePalm-efterbehandlare. Använder ett ankarrutnät på [(24, 2), (12, 6)] med poängutdata [0] och boxutdata [1].

threshold Poängtröskelvärde för detekteringar.

anchors Valfri förbyggd ankararray; genereras automatiskt om None.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

Returnerar en lista med ((x, y, w, h), score, keypoints)-tupler från __call__, där keypoints är en lista med (x, y)-punkter.

class FaceLandmarks – Ansiktslandmärken

Efterbehandlar utdata från FaceLandmarks-modeller.

class ml.postprocessing.mediapipe.FaceLandmarks(threshold: float = 0.6, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en FaceLandmarks-efterbehandlare.

threshold Poängtröskelvärde (efter sigmoid) för att acceptera en detektering.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

Returnerar en lista med ((x, y, w, h), score, keypoints)-tupler från __call__, där keypoints är en lista med (x, y, z)-punkter.

class HandLandmarks – Handlandmärken

Efterbehandlar utdata från HandLandmarks-modeller.

class ml.postprocessing.mediapipe.HandLandmarks(threshold: float = 0.6, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en HandLandmarks-efterbehandlare.

threshold Poängtröskelvärde för att acceptera en detektering.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

Returnerar [[((x, y, w, h), score, keypoints)]] från __call__, med en inre lista per handklass (vänster=0, höger=1). keypoints är en lista med (x, y, z)-punkter. Tomma klasslistor bevaras så att varje listas index matchar klassindexet.

class MoveNet – Poseuppskattning

Efterbehandlar utdata från MoveNet-modeller för enskild pose.

class ml.postprocessing.mediapipe.MoveNet(threshold: float = 0.6, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

Skapa en MoveNet-efterbehandlare.

threshold Konfidenströskelvärde per nyckelpunkt; nyckelpunkter under detta värde exkluderas från begränsningsrutan och medelpoängen.

nms_threshold IoU-tröskelvärde för icke-maximumsupprimering.

nms_sigma Sigma för poängavtagning i soft-NMS.

Returnerar en lista med ((x, y, w, h), score, keypoints)-tupler från __call__, där keypoints är en lista med (x, y, score)-punkter i indatapixelkoordinater.