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 | 18x 18x 180x 18x 18x 18x 18x 18x 18x | import { type } from 'arktype';
import { entries } from '../utils.js';
import { HTTPRequest } from './common.js';
export const MODEL_DETECTION_OUTPUT_SHAPES = {
cx: { help: 'Coordonée X du point central' },
cy: { help: 'Coordonée Y du point central' },
sy: { help: 'Coordonée Y du point supérieur gauche' },
sx: { help: 'Coordonée X du point supérieur gauche' },
ex: { help: 'Coordonée X du point inférieur droit' },
ey: { help: 'Coordonée Y du point inférieur droit' },
w: { help: 'Largeur de la boîte englobante' },
h: { help: 'Hauteur de la boîte englobante' },
score: { help: 'Score de confiance de cette boîte, entre 0 et 1' },
_: { help: 'Autre valeur (ignorée par CIGALE)' }
};
export const ModelDetectionOutputShape = type
.or(
...entries(MODEL_DETECTION_OUTPUT_SHAPES).map(([key, { help }]) =>
type(`"${key}"`).describe(help, 'self')
)
)
.array();
export const ModelInput = type({
width: ['number < 1024', '@', "Largeur en pixels du tenseur d'entrée du modèle"],
height: ['number < 1024', '@', "Hauteur en pixels du tenseur d'entrée du modèle"],
'disposition?': type(['"CHW"', '@', 'Tenseurs de la forme [3, H, W]']).or(
type(['"1CHW"', '@', 'Tenseurs de la forme [1, 3, H, W]'])
),
normalized: [
'boolean',
'@',
'Si les valeurs des pixels doivent être normalisées entre 0 et 1. Sinon, elles sont entre 0 et 255'
],
'name?': [
'string',
'@',
"Nom de l'input du modèle à utiliser. Par défaut, prend la première input"
]
});
export const ModelOutputCommon = type({
'name?': ['string', '@', "Nom de l'output du modèle à utiliser. output0 par défaut"]
});
export const ModelOutputBoundingBox = ModelOutputCommon.and({
normalized: [
'boolean',
'@',
"Si les coordonnées des boîtes englobantes sont normalisées par rapport aux dimensions de l'image"
],
shape: ModelDetectionOutputShape.describe(
"Forme de sortie de chaque boîte englobante. Nécéssite obligatoirement d'avoir 'score'; 2 parmi 'cx', 'sx', 'ex', 'w'; et 2 parmi 'cy', 'sy', 'ey', 'h'. Si les boîtes contiennent d'autre valeurs, bien les mentionner avec '_', même quand c'est à la fin de la liste: cela permet de savoir quand on passe à la boîte suivante. Par exemple, [cx, cy, w, h, score, _] correspond à un modèle YOLO11 COCO"
)
});
const ModelSettingsCommon = type({
model: HTTPRequest.describe(
'Lien vers le modèle de classification utilisé pour inférer les métadonnées. Au format ONNX (.onnx) seulement, pour le moment.'
),
'name?': [
'string',
'@',
"Nom du réseau à afficher dans l'interface. Particulièrement utile si il y a plusieurs réseaux"
],
input: ModelInput.describe("Configuration de l'entrée des modèles")
});
export const NeuralBoundingBoxInference = ModelSettingsCommon.and({
output: ModelOutputBoundingBox
});
export const NeuralEnumInference = ModelSettingsCommon.and({
'output?': ModelOutputCommon,
classmapping: HTTPRequest.describe(
'Fichier texte contenant une clé de la métadonnée par ligne, dans le même ordre que les neurones de sortie du modèle.'
)
});
/**
* @typedef {typeof NeuralBoundingBoxInference.infer | typeof NeuralEnumInference.infer} NeuralInference
*/
|