yunet
最后更新
depthai_nodes.node.parsers.utils.yunet函数
compute_yunet_detections
Python
1def compute_yunet_detections(*, input_size: tuple[int, int], loc: np.ndarray, conf: np.ndarray, iou: np.ndarray, conf_threshold: float, iou_threshold: float, max_det: int, anchors: np.ndarray, label_names: list[str] | None = None, nms_fn: Callable[..., np.ndarray], top_left_wh_to_xywh_fn: Callable[[np.ndarray], np.ndarray]) -> tuple[np.ndarray, np.ndarray, np.ndarray, np.ndarray, list[str] | None]:input_size(tuple[int, int]): 模型输入大小,格式为(宽度, 高度)。loc(np.ndarray): 每个锚框和五个关键点的偏移量。conf(np.ndarray): 每个锚框的类别置信度张量。iou(np.ndarray): 每个锚框的 IoU 置信度张量。conf_threshold(float): 用于过滤候选的最小检测置信度。iou_threshold(float): 非极大值抑制的交并比阈值。max_det(int): 在抑制过程中保留或考虑的最大检测候选数量。anchors(np.ndarray): 用于解码模型预测的预计算锚点坐标。label_names(list[str] | None): 可选的类别名称查找,按预测类别 ID 索引。nms_fn(Callable[..., np.ndarray]): 抑制可调用对象,接受框、分数、置信度/IoU 阈值和max_det;返回保留的索引。top_left_wh_to_xywh_fn(Callable[[np.ndarray], np.ndarray]): 将左上角 XY/宽度/高度框转换为中心 XY/宽度/高度的可调用对象。
tuple[np.ndarray, np.ndarray, np.ndarray, np.ndarray, list[str] | None]: 归一化的中心 XY/宽度/高度框,每张人脸的五个归一化 XY 关键点,分数,零值类别 ID,以及可选的类别名称。没有候选时返回空数组。
decode_and_prune_detections
Python
1def decode_and_prune_detections(input_size: tuple[int, int], loc: np.ndarray, conf: np.ndarray, iou: np.ndarray, conf_threshold: float, anchors: np.ndarray, variance: list[float] | None = None):input_size(tuple[int, int]): 输入图像的大小 (宽度, 高度)。loc(np.ndarray): 边界框的预测位置(或偏移量)。conf(np.ndarray): 预测的类别置信度分数。iou(np.ndarray): 预测的 IoU (交并比) 分数。conf_threshold(float): 用于剪枝的置信度阈值。anchors(np.ndarray): 预计算的锚点,以避免重新生成。variance(list[float] | None): 用于解码边界框预测的方差列表。
- 包含 bboxes、keypoints 和 scores 的元组。
decode_detections
Python
1def decode_detections(input_size: tuple[int, int], loc: np.ndarray, conf: np.ndarray, iou: np.ndarray, variance: list[float] | None = None):input_size(tuple[int, int]): 输入图像的大小 (高度, 宽度)。loc(np.ndarray): 边界框的预测位置(或偏移量)。conf(np.ndarray): 预测的类别置信度分数。iou(np.ndarray): 预测的 IoU (交并比) 分数。variance(list[float] | None): 用于解码边界框预测的方差列表。如果为 None,则使用 [0.1, 0.2]。默认为 None。
tuple[np.ndarray, np.ndarray, np.ndarray]:包含 bboxes、keypoints 和: scores:- bboxes: 形状为 (N, 4) 的 NumPy 数组,包含格式为 [x_min, y_min, width, height] 的解码边界框。
- keypoints: 形状为 (N, 10) 的 NumPy 数组,包含每个锚点的解码关键点坐标。
- scores: 形状为 (N, 1) 的 NumPy 数组,包含每个锚点的组合分数。
format_detections
Python
1def format_detections(bboxes: np.ndarray, keypoints: np.ndarray, scores: np.ndarray, input_size: tuple[int, int]):bboxes(np.ndarray): 形状为 (N, 4) 的 NumPy 数组,包含边界框。keypoints(np.ndarray): 形状为 (N, 10) 的 NumPy 数组,包含关键点。scores(np.ndarray): 形状为 (N,) 的 NumPy 数组,包含分数。input_size(tuple[int, int]): 表示输入图像宽度和高度的元组。
tuple[np.ndarray, np.ndarray, np.ndarray]:包含 bboxes、keypoints 和: scores:- bboxes: 形状为 (N, 4) 的 NumPy 数组,包含格式为 [x_min, y_min, width, height] 的解码边界框。
- keypoints: 形状为 (N, 10) 的 NumPy 数组,包含每个锚点的解码关键点坐标。
- scores: 形状为 (N, 1) 的 NumPy 数组,包含每个锚点的组合分数。
generate_anchors
Python
1def generate_anchors(input_size: tuple[int, int], min_sizes: list[list[int]] | None = None, strides: list[int] | None = None):input_size(tuple[int, int]): 表示输入图像宽度和高度的元组。min_sizes(list[list[int]] | None): 列表的列表,其中每个内部列表包含不同特征图的锚点的最小尺寸。如果为 None,则使用 '[[10, 16, 24], [32, 48], [64, 96], [128, 192, 256]]'。默认为 None。strides(list[int] | None): 每个特征图层的步幅。如果为 None,则使用 '[8, 16, 32, 64]'。默认为 None。
np.ndarray: 锚点。
manual_product
Python
1def manual_product(*args):prune_detections
Python
1def prune_detections(bboxes: np.ndarray, keypoints: np.ndarray, scores: np.ndarray, conf_threshold: float):bboxes(np.ndarray): 形状为 (N, 4) 的 NumPy 数组,包含边界框。keypoints(np.ndarray): 形状为 (N, 10) 的 NumPy 数组,包含关键点。scores(np.ndarray): 形状为 (N,) 的 NumPy 数组,包含分数。conf_threshold(float): 置信度阈值。
tuple[np.ndarray, np.ndarray, np.ndarray]:包含 bboxes、keypoints 和: scores:- bboxes: 形状为 (N, 4) 的 NumPy 数组,包含格式为 [x_min, y_min, width, height] 的解码边界框。
- keypoints: 形状为 (N, 10) 的 NumPy 数组,包含每个锚点的解码关键点坐标。
- scores: 形状为 (N, 1) 的 NumPy 数组,包含每个锚点的组合分数。