検出リストのロールアップ
複数レベルの次元を単一の次元へとまとめ上げます。
子検出から親検出へ次元を集約します
次のようなシナリオで便利です:
クロップに対して実行したセカンダリモデルの結果を親画像にロールアップする
動的にクロップされた画像のOCR結果をロールアップする
型識別子
ステップで次の識別子を使用してください "type" フィールド: roboflow_core/detections_list_rollup@v1 ワークフローにこのブロックをステップとして追加するには。
プロパティ
名前
型
説明
参照
name
str
このステップの一意の識別子を入力してください。
❌
confidence_strategy
str
子検出の信頼度スコアをマージする際に使用する戦略です。オプションは 'max'、'mean'、'min' です。
✅
overlap_threshold
float
子クロップからの重なり検出をマージする際に考慮する最小重複比率（IoU）です。0.0 の場合は重なっている検出をすべてマージし、より高い値ではマージにより大きな重なりが必要になります。0.0 から 1.0 の範囲で指定してください。1.0 の場合は完全に重なっている検出のみをマージします。
✅
keypoint_merge_threshold
float
子検出にキーポイントデータが含まれている場合に、キーポイント検出をマージするためのキーポイント距離（ピクセル単位）。
✅
その 参照 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します ワークフロー 実行時。参照 バインディング 詳細はこちら。
入力と出力のバインディング
利用可能な接続は、そのバインディング種別に依存します。どのバインディング種別が 検出リストのロールアップ バージョン v1 を持っているか確認してください。
入力と出力のバインディング
入力
parent_detection(Union[instance_segmentation_prediction,keypoint_detection_prediction,object_detection_prediction]): 次元を継承する親検出。child_detections(list_of_values): 動的クロップに対して行われた予測など、より高い次元から得られた子検出のリストです。高次元の結果を、このブロックで使用できる形に減らすには「Dimension Collapse」を使用してください。例: Prediction -> Dimension Collapse -> Detections List Roll-Up。confidence_strategy(list_of_values): 子検出の信頼度スコアをマージする際に使用する戦略です。オプションは 'max'、'mean'、'min' です。overlap_threshold(float_zero_to_one): 子クロップからの重なり検出をマージする際に考慮する最小重複比率（IoU）です。0.0 の場合は重なっている検出をすべてマージし、より高い値ではマージにより大きな重なりが必要になります。0.0 から 1.0 の範囲で指定してください。1.0 の場合は完全に重なっている検出のみをマージします。keypoint_merge_threshold(float): 子検出にキーポイントデータが含まれている場合に、キーポイント検出をマージするためのキーポイント距離（ピクセル単位）。
出力
rolled_up_detections(Union[instance_segmentation_prediction,object_detection_prediction,keypoint_detection_prediction]): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。instance_segmentation_predictionまたは、検出されたバウンディングボックスを sv.Detections(...) オブジェクトの形式で持つ予測。object_detection_predictionまたは、検出されたバウンディングボックスと検出されたキーポイントを sv.Detections(...) オブジェクトの形式で持つ予測。keypoint_detection_prediction.crop_zones(list_of_values): 任意の型の値のリスト。
最終更新
役に立ちましたか？