Inference Endpoint For Omdet Turbo Swin Tiny Hf

🚀 [omlab/omdet - turbo - swin - tiny - hfのフォーク版によるゼロショット物体検出推論エンドポイント]

このリポジトリは、🤗 Inference Endpointsにおけるゼロショット物体検出のカスタムタスクを実装しています。これにより、特定の物体検出タスクを柔軟に実行できます。

🚀 クイックスタート

このリポジトリは、🤗 Inference Endpoints用のゼロショット物体検出のカスタムタスクを実装しています。カスタマイズされたハンドラーのコードは、[handler.py](https://huggingface.co/Blueway/inference - endpoint - for - omdet - turbo - swin - tiny - hf/blob/main/handler.py)にあります。

このモデルを推論エンドポイントとしてデプロイするには、タスクとしてCustomを選択してhandler.pyファイルを使用する必要があります。

リポジトリには、timmライブラリをダウンロードするためのrequirements.txtが含まれています。

期待されるリクエストペイロード

{
  "inputs": {
    "image": "/9j/4AAQSkZJRgABAQEBLAEsAAD/2wBDAAMCAgICAgMC....", // base64形式の画像バイト列
    "candidates": ["broken curb", "broken road", "broken road sign", "broken sidewalk"]
  }
}

以下は、Pythonとrequestsを使用してリクエストを実行する例です。

💻 使用例

基本的な使用法

import json
from typing import List
import requests as r
import base64

ENDPOINT_URL = ""
HF_TOKEN = ""

def predict(path_to_image: str = None, candidates: List[str] = None):
    with open(path_to_image, "rb") as i:
        b64 = base64.b64encode(i.read())

    payload = {"inputs": {"image": b64.decode("utf-8"), "candidates": candidates}}
    response = r.post(
        ENDPOINT_URL, headers={"Authorization": f"Bearer {HF_TOKEN}"}, json=payload
    )
    return response.json()


prediction = predict(
    path_to_image="image/brokencurb.jpg", candidates=["broken curb", "broken road", "broken road sign", "broken sidewalk"]
)
print(json.dumps(prediction, indent=2))

期待される出力

{
  "boxes": [
    [
      1.919342041015625,
      231.1556396484375,
      1011.4019775390625,
      680.3773193359375
    ],
    [
      610.9949951171875,
      397.6180419921875,
      1019.9259033203125,
      510.8144226074219
    ],
    [
      1.919342041015625,
      231.1556396484375,
      1011.4019775390625,
      680.3773193359375
    ],
    [
      786.1240234375,
      68.618896484375,
      916.1265869140625,
      225.0513458251953
    ]
  ],
  "scores": [
    0.4329715967178345,
    0.4215811491012573,
    0.3389397859573364,
    0.3133399784564972
  ],
  "candidates": [
    "broken sidewalk",
    "broken road sign",
    "broken road",
    "broken road sign"
  ]
}

ボックスは{x_min, y_min, x_max, y_max}の形式で構成されています。

高度な使用法

結果を可視化するには、次のコードを実装できます。

prediction = predict(
    path_to_image="image/cat_and_remote.jpg", candidates=["cat", "remote", "pot hole"]
)

import matplotlib.pyplot as plt
import matplotlib.patches as patches

with open("image/cat_and_remote.jpg", "rb") as i:
    image = plt.imread(i)
    
# Plot image
fig, ax = plt.subplots(1)
ax.imshow(image)
for score, class_name, box in zip(
    prediction["scores"], prediction["candidates"], prediction["boxes"]
):
    # Create a Rectangle patch
    rect = patches.Rectangle([int(box[0]), int(box[1])], int(box[2] - box[0]), int(box[3] - box[1]), linewidth=1, edgecolor='r', facecolor='none')
    # Add the patch to the Axes
    ax.add_patch(rect)
    
    ax.text(int(box[0]), int(box[1]), str(round(score, 2)) + " " + str(class_name), color='white', fontsize=6, bbox=dict(facecolor='red', alpha=0.5))
    
plt.savefig('image_result/cat_and_remote_with_bboxes_zero_shot.jpeg')

結果

📄 ライセンス

このプロジェクトは、Apache - 2.0ライセンスの下で提供されています。

参考情報

このHugging Face推論エンドポイントへの適応は、@philschmidの[philschmid/clip - zero - shot - image - classification](https://huggingface.co/philschmid/clip - zero - shot - image - classification)における作業に触発されています。