ml.postprocessing.edgeimpulse --- Edge Impulse

ml.postprocessing.edgeimpulse 模組包含用於 Edge Impulse 模型的後處理類別。

class Fomo -- Fast Objects More Objects

FOMO（Fast Objects More Objects）模型輸出的後處理器。

class ml.postprocessing.edgeimpulse.Fomo(threshold: float = 0.4, w_scale: float = 1.414214, h_scale: float = 1.414214, nms_threshold: float = 0.1, nms_sigma: float = 0.001)

建立一個 FOMO 後處理器。

threshold 保留一個偵測所需的最低分數。

w_scale 在非極大值抑制之前套用於網格儲存格寬度的水平縮放係數。較大的值會使相鄰儲存格合併為單一偵測。

h_scale 在非極大值抑制之前套用於網格儲存格高度的垂直縮放係數。較大的值會使相鄰儲存格合併為單一偵測。

nms_threshold 傳遞給非極大值抑制的 IoU 閾值。

nms_sigma 傳遞給非極大值抑制的 sigma 值（soft-NMS）。

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

由 ml.Model.predict() 以模型、其輸入及其原始輸出叫用。回傳一個依類別劃分的偵測清單。每個偵測是一個 ((x, y, w, h), score) 元組。空的類別清單會被包含在內，使得每個清單在輸出中的位置與模型輸出中的類別索引相符。當未偵測到任何東西時，回傳一個空元組。

class YoloPro -- YOLO Pro

Edge Impulse YOLO Pro 物件偵測模型輸出的後處理器。YOLO Pro 模型會為每個候選框輸出一列，內含 xmin, ymin, xmax, ymax（已相對於輸入正規化），後接每個類別的分數向量。關於如何訓練此類模型，請參閱 YOLO Pro 文件。

class ml.postprocessing.edgeimpulse.YoloPro(threshold: float = 0.6, nms_threshold: float = 0.1, nms_sigma: float = 0.1)

建立一個 YOLO Pro 後處理器。

threshold 在非極大值抑制之前，保留一個框所需的最低類別分數。

nms_threshold 傳遞給非極大值抑制的 IoU 閾值。

nms_sigma 傳遞給非極大值抑制的 sigma 值（soft-NMS）。

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

由 ml.Model.predict() 以模型、其輸入及其原始輸出叫用。回傳一個依類別劃分的偵測清單。每個偵測是一個以 ROI 座標表示的 ((x, y, w, h), score) 元組。空的類別清單會被包含在內，使得每個清單在輸出中的位置與模型輸出中的類別索引相符。當未偵測到任何東西時，回傳一個空元組。

範例:

import csi
import ml
from ml.postprocessing.edgeimpulse import YoloPro

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

model = ml.Model("/rom/<model_file_name>", postprocess=YoloPro(threshold=0.4))

while True:
    img = csi0.snapshot()
    for i, detections in enumerate(model.predict([img])):
        for (x, y, w, h), score in detections:
            img.draw_rectangle(x, y, w, h)
            print(model.labels[i], score)