/ Модель

Характеристики

Лицензия
AGPL 3.0
Библиотека
ultralytics
Опубликована
29 сен 2026

UrbanOmniDetect-2

Поиск объектовИзображение → bounding_boxes

UrbanOmniDetect-2 обнаруживает объекты на изображениях и оценивает 3D-параллелепипеды для шести типов участников дорожного движения без калибровки камеры.

168скачиваний за 30 дней1лайквеса обновлены29 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

UrbanOmniDetect-2 — модель Mehmet Kerem Turkcan из Columbia University для обнаружения объектов и оценки их трёхмерных ограничивающих параллелепипедов. Это гибридная сеть YOLO26 с головой Pose26: она обнаруживает все 80 классов COCO и предсказывает проекции восьми углов 3D-параллелепипедов для людей, велосипедов, автомобилей, мотоциклов, автобусов и грузовиков.

Модель предназначена для анализа видео с транспорта, дорожной инфраструктуры и аэросъёмки. Для работы не нужны калибровка камеры, оценка глубины или заданная плоскость земли; результаты одного прохода сети также подходят для многокадрового трекинга и построения вида сверху. Выпущено пять вариантов размером от 2,6 до 57,6 млн параметров, обученных на изображениях 640 px; для аэросъёмки авторы также описывают запуск при 960 px. Обучение сочетает датасеты с 2D-разметкой и источники с 3D-ключевыми точками и рендеры.

Контрольные точки представлены в формате PyTorch и распространяются по лицензии AGPL-3.0. README сообщает о высокой точности на дорожных классах и быстром инференсе с TensorRT, но приведённые результаты относятся к указанным автором наборам и конфигурациям; они не гарантируют аналогичное качество на других данных.

Сценарии применения

  • обнаружение объектов на дорожных видео
  • оценка 3D-границ автомобилей и других участников движения
  • анализ аэросъёмки дорожного движения
  • построение вида сверху по видеокадрам
  • многокадровое отслеживание дорожных объектов

Ограничения

3D-параллелепипеды предсказываются только для шести дорожных классов, хотя 2D-детектор поддерживает 80 классов COCO. Результаты зависят от данных и условий оценки, приведённых в README; качество на других типах изображений не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UrbanOmniDetect-2 is a single hybrid detection and pose network that detects all 80 COCO classes and, for every road user, regresses the eight projected corners of its 3D box. It runs on ego-vehicle, infrastructure, and aerial footage without camera calibration, and the same forward pass drives tracking, a bird's-eye view, and an offline refinement stage that turns per-frame detections into rigid, physically consistent trajectories.

The inference pipeline, training code, and documentation live in the GitHub repository. This repository hosts the released checkpoints.

Highlights

  • Detection and 3D cuboids from one forward pass. A YOLO26 network with a Pose26 head is a full COCO-80 detector and also predicts cuboids for person, bicycle, car, motorcycle, bus, and truck. No auxiliary detector is needed.
  • Calibration-free on any viewpoint. No camera intrinsics, depth estimation, or ground-plane priors are required at inference time.
  • Trained on a mixture of 2D and 3D data. COCO and VisDrone (boxes only) ground the detector. Real keypoint data (KITTI, DAIR-V2X), CDrone, and rendered vehicles (MeshFleet, Objaverse) teach the cuboids through a masked pose loss, so box-only images never push the keypoint head.
  • Five scales. From 2.6M to 57.6M parameters, all trained at 640 px. Running them at 960 px on aerial footage recovers far, small traffic while the cuboids stay tight.
  • Fast with TensorRT. The X model runs in 4.6 ms per frame at 960 px in FP16 on an RTX PRO 6000, against 7.7 ms in PyTorch FP32, with cuboid corners agreeing to a median 0.9 px.

Checkpoints

Every checkpoint is the epoch of its run with the highest road-class pose mAP, followed by a class-branch-only fine-tune on real box data (COCO + VisDrone) that corrects class boundaries learned from renders. The pose head is untouched by that step. Metrics are on the mixed validation set (COCO, VisDrone, KITTI and DAIR-V2X, CDrone, renders) at 640 px.

ModelParams (M)COCO APVisDrone AP @960KITTI 2D AP (Mod.)KITTI AP3D E / M / HKITTI APBEV E / M / HCheckpoint
N2.614.314.691.531.5 / 22.2 / 18.837.0 / 26.5 / 22.4urbanomnidetect_v2_n_640.pt
S9.921.319.194.642.9 / 32.5 / 27.649.7 / 37.5 / 31.0urbanomnidetect_v2_s_640.pt
M21.328.125.195.446.3 / 34.8 / 30.750.7 / 39.6 / 35.3urbanomnidetect_v2_m_640.pt
L25.728.725.196.553.6 / 39.4 / 33.156.7 / 42.5 / 36.9urbanomnidetect_v2_l_640.pt
X57.630.426.796.647.5 / 37.1 / 32.952.1 / 41.1 / 36.4urbanomnidetect_v2_x_640.pt

Quick Start

Clone the code and download a checkpoint:

git clone https://github.com/mkturkcan/urbanomnidetect.git
cd urbanomnidetect
pip install -r requirements.txt          # ultralytics 8.4.61 (tested), torch, opencv, scipy
huggingface-cli download mehmetkeremturkcan/UrbanOmniDetect-2 \
    checkpoints/urbanomnidetect_v2_x_640.pt --local-dir .

The checkpoints unpickle a class defined in v2/hybrid_v2.py, so run from the repository root (or put it on PYTHONPATH) and import it before loading:

import v2.hybrid_v2                      # registers HybridPoseModel26 for unpickling
from ultralytics import YOLO

model = YOLO("checkpoints/urbanomnidetect_v2_x_640.pt")
r = model.predict("frame.jpg", imgsz=960, conf=0.1, device="cuda:0")[0]
boxes, classes = r.boxes.xyxy, r.boxes.cls          # COCO-80 class ids
kpts = r.keypoints.data                              # (N, 8, 3): x, y, cuboid confidence

Video with tracking, the bird's-eye view, and offline refinement:

python bev_realtime_v2.py --input clip.mp4 --kp-model checkpoints/urbanomnidetect_v2_x_640.pt \
    --kp-imgsz 960 --kp-conf 0.1 --kp-vis 0.5 --class-conf 0:0.4,1:0.5,3:0.5 \
    --suppress-nested 0.85 --smooth 11 --scale-lock --fixed-camera auto --bev-fit --refine \
    --layout dashboard --device cuda:0 --output out.mp4

Add --export tensorrt --half to build an FP16 engine on first use (TensorRT 10.x). See USAGE.md for the full command reference.

Relation to UrbanOmniDetect

UrbanOmniDetect-2 builds on the calibration-free, view-agnostic formulation introduced in UrbanOmniDetect (CVPR 2026 DriveX workshop), but it is a separate model with different outputs:

UrbanOmniDetectUrbanOmniDetect-2
NetworkPose-only keypoint model (YOLOv8 to YOLO12)Hybrid detection and pose network (YOLO26, Pose26 head)
Classescar, person, bikeAll 80 COCO classes, cuboids for 6 road-user classes
Training dataUrbanOmniViewCOCO, VisDrone, KITTI, DAIR-V2X, CDrone, MeshFleet, Objaverse
Keypoint orderIndices 0 to 3 are top cornersIndices 0 to 3 are ground-contact corners
LoadingStock UltralyticsRequires v2/hybrid_v2.py from the GitHub repository

The two sets of checkpoints are not interchangeable. The UrbanOmniDetect checkpoints remain available at mehmetkeremturkcan/UrbanOmniDetect.

Citation

If you use UrbanOmniDetect-2, please cite:

@software{turkcan2026urbanomnidetect2,
  author = {Turkcan, Mehmet Kerem},
  title  = {{UrbanOmniDetect-2}: One Network for Detection and Calibration-Free {3D} Cuboids from Any Viewpoint},
  year   = {2026},
  month  = {9},
  url    = {https://huggingface.co/mehmetkeremturkcan/UrbanOmniDetect-2}
}

Acknowledgements

This work was supported by the NSF Engineering Research Center for Smart Streetscapes under Award EEC-2133516, NSF Grants CNS-2450567 and CNS-2038984, and by computing resources from the NVIDIA Academic Grant Program and the Empire AI Consortium.

License

Released under the GNU Affero General Public License v3.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · ultralytics

Нельзя запустить

Модели Ultralytics YOLO требуют отдельного рантайма.

Ревизия весов
be4f69a

0 моделей