Press n or j to go to the next uncovered block, b, p or k for the previous block.
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 | 5x 5x 5x 5x 5x 5x 5x | import * as ort from 'onnxruntime-web';
import { loadToTensor, output2BB, preprocessTensor } from './inference_utils.js';
import { fetchHttpRequest } from './utils.js';
/**
* @typedef {[number, number, number, number]} BB [x,y,w,h]
*/
/*
ce fichier et le fichier utils associé (inference_utils.js) contiennent les fonctions pour effectuer les inférences de détection et de classification.
les fonctions sont les suivantes :
- loadModel : charge un modèle ONNX
- infer : effectue une inférence de détection
- inferSequentialy : effectue une inférence de détection une à une
- classify : effectue une inférence de classification
- postprocess_BBs : post traite les bounding boxes (évite les doublons)
- imload : charge une liste d'images en tenseurs
- output2BB : transforme le tensor de sortie du modèle de détection en bounding boxes
- preprocess_for_classification : prétraite les images pour la classification (norm & resize)
- applyBBsOnTensor : applique les bounding boxes sur un tensor
- applyBBsOnTensors : applique les bounding boxes sur une liste de tensors
- labelize : renvoie les labels des classes prédites
voici un éxemple de pipeline qui pourrait être utilisée pour effectuer une inférence de détection et de classification :
1. loadModel pour charger le modèle de détection
2. infersequentialy pour effectuer l'inférence de détection
on récupère ainsi :
- boundingboxes
- bestScores
- inputTensors
- (optionnel) start (temps de départ de l'inférence)
3. applyBBsOnTensors sur l'inpuTensors avec les boundingboxes utilisées
4. loadModel pour charger le modèle de classification
5. classify pour effectuer l'inférence de classification
6. labelize sur les indices des classes prédites pour obtenir les labels
7. afficher les résultats (voir le fichier +page.svelt pour des exemples)
PS : quand les models ne sont plus utiliser on peux les disposer avec model.release()
de même avec les tensors : tensor.dispose()
PPS :
il est thecniquement possible d'utiliser le webgpu, mais c'est pas encore implémenté,
de plus ça se lance que sur chrome, avec la commande linux mettant les flags :
google-chrome-stable --enable-unsafe-webgpu --enable-features=Vulkan
*/
// nombre de threads pour wasm
ort.env.wasm.numThreads = 1;
// nécéssaire sinon ça casse
ort.env.wasm.wasmPaths = {
// @ts-ignore
'ort-wasm-simd-threaded.wasm': '/ort-wasm-simd-threaded.wasm'
};
export const TARGETWIDTH = 640; // taille de l'image d'entrée du modèle de détection
export const TARGETHEIGHT = 640; // taille de l'image d'entrée du modèle de détection
const NUMCONF = 0.437; // seuil de confiance pour la détection
const STD = [0.229, 0.224, 0.225]; // valeurs de normalisation pour la classification
const MEAN = [0.485, 0.456, 0.406]; // valeurs de normalisation pour la classification
/**
*
* @param {typeof import('$lib/schemas/common').HTTPRequest.infer} request
* @param {boolean} webgpu
* @param {import('fetch-progress').FetchProgressInitOptions['onProgress']} [onProgress] called everytime the progress changes
* @returns {Promise<import('onnxruntime-web').InferenceSession > }
*/
export async function loadModel(request, webgpu = false, onProgress) {
// load un modèle ONNX, soit de classification, soit de détection.
onProgress ??= () => {};
const model = await fetchHttpRequest(request, {
cacheAs: 'model',
onProgress
})
.then((response) => response.arrayBuffer())
.then((buffer) => new Uint8Array(buffer));
const session = ort.InferenceSession.create(model, {
executionProviders: webgpu ? ['webgpu'] : []
});
if (!session) throw new Error('Impossible de charger le modèle ONNX');
return session;
}
/**
* @param {import('$lib/database').HTTPRequest} model
* @returns {string}
*/
export function modelUrl(model) {
if (typeof model === 'string') return model;
return model.url;
}
/**
*
* @param {object} taskSettings
* @param {object} taskSettings.input
* @param {number} taskSettings.input.width
* @param {number} taskSettings.input.height
* @param {string} taskSettings.input.name
* @param {boolean} taskSettings.input.normalized
* @param {object} taskSettings.output
* @param {string} taskSettings.output.name
* @param {import('./database.js').ModelDetectionOutputShape} taskSettings.output.shape
* @param {AbortSignal} [taskSettings.abortSignal]
* @param {ArrayBuffer[]} buffers
* @param {import('onnxruntime-web').InferenceSession} session
* @param {typeof import('./state.svelte.js').uiState} [uiState]
* @param {boolean} sequence
* @param {boolean} webgpu
* @returns {Promise<[BB[][], number[][], number, ort.Tensor[]]>}
*/
export async function infer(
{ abortSignal, ...taskSettings },
buffers,
session,
uiState,
sequence = false,
webgpu = true
) {
/*Effectue une inférence de détection sur une ou plusieurs images.
-------------inputs----------------
files : liste de fichiers images
model : modèle ONNX de détection
in : [batch,3,640,640]
out : [batch * 5 (x,y,w,h,conf) * 8400 (le nb de bouding boxes)]
l'out est sous la forme [xxxxxx,yyyyyy,wwwwww,hhhhhh,confconfconf, (et recommence pr le prochain batch)]
img_proceed : objet contenant les informations sur l'avancement de l'inférence
forme : {state : "string", nb : int, time : float}
sequence : booléen, si il est faux, alors on affiche les informations sur l'inférence,
sinon, on pars du principe que le programme qui l'appel (inferSequentialy) s'occupe de l'affichage
webgpu : booléen, si vrai, on utilise l'execution provider webgpu, sinon, on utilise wasm
-------------outputs----------------
boundingboxes : liste de bounding boxes
forme : [each image [each box [x,y,w,h]]]
bestScores : liste des meilleurs scores pour chaque box
forme : [each image [each box score]]
start : temps de départ de l'inférence
inputTensor : tensor d'entrée de l'inférence
(pour pouvoir l'utiliser plus tard et pas avoir à load 35 fois les images)
*/
if (webgpu) {
console.warn('webgpu not implemented yet, using wasm');
}
if (!session) {
throw new Error('Model not loaded');
}
let start = -1;
if (!sequence) {
start = Date.now();
}
taskSettings = {
...taskSettings,
input: {
width: TARGETWIDTH,
height: TARGETHEIGHT,
name: session.inputNames[0],
normalized: true,
...taskSettings?.input
},
output: {
name: 'output0',
...taskSettings?.output
}
};
let inputTensor;
inputTensor = await loadToTensor(buffers, { ...taskSettings.input, abortSignal });
// TODO figure out a way to use the abortSignal while running the inference
const outputTensor = await session.run({ [taskSettings.input.name]: inputTensor });
const bbs = output2BB(
taskSettings.output.shape,
/** @type {Float32Array} */ (outputTensor[taskSettings.output.name].data),
buffers.length,
NUMCONF,
abortSignal
);
const [boundingboxes, bestScores] = bbs;
if (!sequence && uiState) {
uiState.processing.done = buffers.length;
uiState.processing.time = (Date.now() - start) / 1000;
}
// @ts-ignore
return [boundingboxes, bestScores, start, inputTensor];
}
/**
*
* @param {NonNullable<typeof import('$lib/schemas/metadata.js').MetadataInferOptionsNeural.infer['neural']>[number] } settings
* @param {ort.Tensor} image
* @param {import('onnxruntime-web').InferenceSession} model
* @param {AbortSignal} [abortSignal]
* @returns {Promise<number[]>} scores for each class
*/
export async function classify(settings, image, model, abortSignal) {
const inputName = settings.input.name ?? model.inputNames[0];
const input = await preprocessTensor(settings, image, MEAN, STD, abortSignal);
const output = await model.run({ [inputName]: input });
abortSignal?.throwIfAborted();
const scores = await output[Object.keys(output)[0]]
.getData(true)
.then((scores) => /** @type {number[]} */ ([...scores.values()]));
image.dispose();
return scores;
}
|