UETrack-B ONNX
трекер одного объекта на видео
2 мин чтенияобновлено
Модель UETrack-B от проекта BlurCue отслеживает выбранный объект в RGB-видеопотоке по одному кадру за шаг. На вход подаются нормализованный шаблон объекта (112×112), область поиска (224×224) и разметка шаблона, а на выходе возвращаются координаты рамки, оценка уверенности и карта откликов. Модель основана на базовом чекпоинте UETrack (конфигурация uetrack_base.yaml) и переведена в формат ONNX (opset 17, точность FP32) с уже зашитой постобработкой. Пригодится разработчикам компьютерного зрения, которым нужен готовый граф трекинга без привязки к исходному PyTorch-коду.
Ключевые особенности
- Встроенная постобработка: в граф уже зашиты окно Ханна (Hann windowing) и декодирование координат рамки.
- Упрощённый вход: при конвертации объединены дублирующиеся RGB-входы, а также вшиты нулевой текстовый промпт CLIP и идентификатор RGB-задачи.
- Чистый ONNX без Python-обвязки: тренировочные веса и исходные скрипты исключены, весь шаг инференса выполняется внутри одного графа.
Что можно сделать
- Встроить трекинг в видеоредактор или систему размытия: автоматически вести выбранный объект (например, лицо, номер или логотип) от кадра к кадру в проектах вроде BlurCue.
- Добавить сопровождение целей в CV-пайплайн: использовать модель как лёгкий модуль трекинга одного объекта поверх детектора в приложениях на базе ONNX Runtime.
Пример
Сценарий одного шага инференса по спецификации из карточки: подаём на вход нормализованный кроп шаблона объекта 112×112, область поиска 224×224 и аннотацию шаблона — получаем нормализованные координаты центра рамки, уверенность (confidence) и карту оценок с окном Ханна. Управление движением, вырезкой кропов и завершением трека реализуется на стороне вызывающего приложения.
Подробнее
Формат: FP32 ONNX opset 17 (полное описание интерфейса вpack/pack.toml).Проверка: валидация на 4 синтетических тестах показала совпадение с эталонной PyTorch-моделью на ONNX Runtime CPU.
Ограничения: реальные видеосцены, дрейф объекта, а также работа на CoreML и CUDA требуют отдельного тестирования на уровне приложения.










Комментарии