Modellen en pipelines
Cordatus gebruikt modellen om objecten in videostreams te detecteren en categoriseren. U kunt kiezen uit de gebruiksklare computer vision-modellen van Cordatus, of uw eigen aangepaste modellen integreren als de beschikbare opties niet aan uw behoeften voldoen. Cordatus ondersteunt momenteel objectdetectie- en classificatiemodellen. Semantic Segmentation- en Pose Estimation-modellen worden binnenkort toegevoegd.
NOTE: Classificatiemodellen kunnen alleen binnen pipelines worden gebruikt door ze te koppelen aan een objectdetectiemodel; ze kunnen niet zelfstandig werken.
Cordatus stelt gebruikers ook in staat om aangepaste AI-modellen te ontwikkelen door pipelines aan te maken die de gebruiksklare modellen van het platform eenvoudig combineren met de eigen aangepaste modellen van gebruikers. Met deze functie kunnen gebruikers AI-oplossingen ontwikkelen die specifiek zijn afgestemd op hun behoeften.
Pipelines zijn een van de kernfuncties van Cordatus en maken het mogelijk om meerdere modellen sequentieel te laten werken. Bij een voertuigdetectiemodel kunnen gebruikers bijvoorbeeld eerst voertuigen detecteren en vervolgens met aanvullende modellen het merk en type van het voertuig classificeren. Dit toont de veelzijdigheid en flexibiliteit van Cordatus bij het aanpakken van diverse toepassingen.
Modellenpagina
Gebruiksklare modellen en pipelines
Cordatus biedt momenteel twee modelarchitecturen: objectdetectie en classificatie.
Gebruiksklare objectdetectiemodellen
| Model | Beschrijving |
|---|---|
| TRAFFICCAMNET | Het TrafficCamNet-model detecteert een of meer fysieke objecten in beelden die zijn vastgelegd door een stationaire camera en categoriseert deze in vier verschillende categorieën. Het levert bounding boxes en categorielabels voor elk object. Vier categorieën: auto's, mensen, verkeersborden en tweewielers. |
| DASHCAMNET | Het DashCamNet-model identificeert een of meer fysieke objecten in beelden die zijn vastgelegd door een bewegende camera. Het levert bounding boxes en categorielabels voor elk object. Vier categorieën: auto's, mensen, verkeersborden en fietsen. |
| LPDNET | Het LPDNet-model identificeert een of meer kentekenplaatobjecten in een beeld. Voor elk gedetecteerd object retourneert het model een bounding box en het label lpd. |
| PEOPLENET | Het PeopleNet-model identificeert een of meer fysieke objecten in een beeld, ingedeeld in drie categorieën. Het bevat bounding boxes en categorielabels voor elk gedetecteerd object. Drie categorieën: mensen, tassen en gezichten. |
| FACENET | Het FaceNet-model detecteert een of meer gezichten in een beeld. Het maakt bounding boxes en wijst categorielabels toe aan elk gedetecteerd gezicht. |
| FACENET-IR | Het FaceNet-IR-model blinkt uit in het detecteren van een of meer gezichten in beelden of video's en is specifiek geoptimaliseerd voor infrarood (IR)-beelden. Vergeleken met het PeopleNet-model levert het betere resultaten bij het detecteren van grote gezichten, zoals in webcambeelden. |
Gebruiksklare classificatiemodellen
| Model | Beschrijving |
|---|---|
| GENDERNET | Het Gendernet-model classificeert gedetecteerde personen op geslacht: man of vrouw. |
| AGENET | Het Agenet-model blinkt uit in het schatten van de leeftijd van gedetecteerde personen tussen 0 en 100. |
| EMOTIONNET | Het EmotionNet-model categoriseert menselijke emoties die door detectiemodellen zijn gedetecteerd in zes verschillende categorieën: Neutral, Happy, Surprise, Squint, Disgust en Scream. |
| VEHICLETYPENET | Het VehicleTypeNet-model classificeert autobeelden in zes verschillende voertuigtypen: Coupe, Sedan, SUV, Van, Large Vehicle en Truck. |
| VEHICLEMAKENET | Het VehicleMakeNet-model classificeert autobeelden in 20 populaire automerken: Acura, Audi, BMW, Chevrolet, Chrysler, Dodge, Ford, GMC, Honda, Hyundai, Infiniti, Jeep, Kia, Lexus, Mazda, Mercedes, Nissan, Subaru, Toyota en Volkswagen. |
| LPRNET_US | Het LPRNet-model (License Plate Recognition Network for US) voorspelt reeksen kentekentekens die door LPDNet zijn gedetecteerd, wat de nauwkeurigheid en betrouwbaarheid van kentekenherkenningstaken verbetert. |
Gebruiksklare pipelines
Demographic-Analytics
De Demographic Analytics-pipeline is ontworpen om uitgebreide demografische voorspellingen te doen voor gedetecteerde personen. Beginnend met FACENET detecteert de pipeline nauwkeurig gezichten. Vervolgens integreert de pipeline naadloos GENDERNET voor geslachtsclassificatie, EMOTIONNET voor analyse van de emotionele toestand en AGENET voor een nauwkeurige leeftijdsschatting. Samen vormen deze componenten een krachtige pipeline die gedetailleerde demografische analyses biedt voor een volledig begrip van de doelgroep.
Demographic Analytics
Plate-Recognition
De Plate Recognition-pipeline is ontworpen voor de precieze identificatie van voertuigen en hun kentekenplaten, en biedt geavanceerde functionaliteit voor kentekenherkenning (LPR). De pipeline begint met TRAFFICCAMNET voor nauwkeurige voertuigdetectie, gevolgd door LPDNET voor kentekenplaatdetectie. Tot slot gebruikt de pipeline LPRNET_US voor kentekenherkenning, wat een naadloos en efficiënt proces garandeert van voertuigidentificatie tot het aflezen van de plaat. Deze geïntegreerde aanpak biedt betrouwbare en nauwkeurige kentekenherkenning voor verschillende toepassingen, van beveiliging tot verkeersmanagement.
Plate Recognition
NOTE: Binnenkort worden er meer gebruiksklare modellen en pipelines toegevoegd.
De interface gebruiken
De pagina Models is een centrale locatie waar modellen en pipelines samen worden weergegeven. Elk item is gelabeld met zijn type:
- Label Model: voor zelfstandige modellen
- Label Pipeline: voor pipelines die meerdere modellen combineren
Interfacefuncties
- Sorting: U kunt modellen en pipelines alfabetisch ordenen met de sorteeropties boven op de pagina.
- Search: Gebruik het zoekvak in de rechterbovenhoek van het scherm om snel specifieke modellen of pipelines te vinden.
- Add New Model/Pipeline: Klik op de knop New Model in de rechterbovenhoek om een nieuw model of pipeline toe te voegen.
Een aangepast model toevoegen
Als de beschikbare gebruiksklare modellen niet aan uw behoeften voldoen, kunt u uw eigen aangepaste modellen voor objectdetectie, classificatie en instance segmentation aan Cordatus toevoegen. Deze modellen zijn privé en alleen voor u toegankelijk.
Ondersteunde modelarchitecturen
Cordatus ondersteunt de volgende trainingsbronnen en modelarchitecturen:
NVIDIA TAO Toolkit-modellen
Modellen die zijn getraind met de NVIDIA TAO Toolkit kunnen rechtstreeks worden geüpload.
TensorFlow Object Detection API
Modellen die zijn getraind met de TensorFlow Object Detection API worden ondersteund.
YOLO-modelfamilie
Met Cordatus kunt u zelf getrainde YOLO-modellen uploaden. Om een YOLO-model te uploaden, hebt u slechts twee bestanden nodig:
- Modelbestand (.pt): YOLO-modelbestand in PyTorch-formaat
- Labelbestand (labels.txt): labelbestand met één klassenaam per regel
💡 Tip: Voor YOLO-modellen is geen extra configuratie of conversieproces nodig. Cordatus converteert het
.pt-bestand automatisch naar een TensorRT-engine en optimaliseert dit.
De volgende YOLO-architecturen worden ondersteund:
| Modelfamilie | Formaten | Beschrijving |
|---|---|---|
| YOLO11 | N, S, M, L, X | De nieuwste YOLO-versie van Ultralytics. Verbeterde balans tussen nauwkeurigheid en snelheid. |
| YOLOv10 | N, S, M, L, X | Snellere inference met een NMS-vrij ontwerp. |
| YOLOv9 | S, M | Verbeterd leren met Programmable Gradient Information (PGI). |
| YOLOv8 | N, S, M, L, X | De populaire anchor-free architectuur van Ultralytics. |
| YOLOv7 | Diverse | Hoge prestaties met bag-of-freebies. |
| YOLOv6 | N, S, M, L | Industrieel model, ontwikkeld door Meituan. |
| YOLOv5 | N, S, M, L, X | Veelgebruikte, volwassen en stabiele implementatie. |
| YOLOv5u | N, S, M, L, X | Anchor-free versie van YOLOv5. |
| YOLOX | S, M, L, X | Anchor-free YOLO-variant van Megvii. |
| YOLO-NAS (binnenkort) | S, M, L | Neural Architecture Search-model van Deci AI. |
| YOLOR (binnenkort) | X | Uniforme netwerkaanpak. |
YOLO Instance Segmentation-modellen
Naast objectdetectie ondersteunt Cordatus ook het uploaden van aangepaste Instance Segmentation-modellen — modellen die voor elk gedetecteerd object een pixelnauwkeurig masker produceren in plaats van alleen een bounding box. Selecteer Instance Segmentation als Algorithm Type wanneer u een van deze architecturen toevoegt.
| Modelfamilie | Formaten | Beschrijving |
|---|---|---|
| YOLO26-SEG | N, S, M, L, X | De nieuwste instance segmentation-architectuur van Ultralytics, met verbeterde maskerkwaliteit en inference-efficiëntie. |
| YOLO11-SEG | N, S, M, L, X | Anchor-free instance segmentation-model van Ultralytics met een lichte prototype-maskerkop. |
| YOLOv8-SEG | N, S, M, L, X | Veelgebruikt, algemeen instance segmentation-model voor het detecteren van objecten samen met hun maskers. |
| YOLOv5-SEG | N, S, M, L, X | Volwassen en stabiele instance segmentation-implementatie, gebouwd op de CSPDarknet-backbone. |
| YOLOv7-SEG | Diverse | Instance segmentation-model met hoge nauwkeurigheid, met een YOLACT-achtige maskerkop. |
| YOLOv7-MASK | Diverse | Op Detectron2 gebaseerde maskerkopvariant van YOLOv7, gericht op maskerkwaliteit voor nauwkeurige silhouet-/contourextractie. |
YOLOE (Open-Vocabulary)-modellen
In tegenstelling tot de bovenstaande architecturen met een vaste klassenset, is YOLOE een open-vocabulary-architectuur voor instance segmentation. In plaats van beperkt te zijn tot een voorgedefinieerde klassenlijst, bevat de Prompt-Free (PF)-variant van YOLOE 4.585 ingebouwde klassen en kan het objecten detecteren en segmenteren waarop het nooit expliciet is getraind — zero-shot, zonder dat fine-tuning nodig is.
YOLOE kan worden geselecteerd als eigen architectuur, net als de YOLO-families hierboven. U levert nog steeds een Label File aan, maar in plaats van de klassen te vermelden waarop het model is getraind, gebruikt u dit bestand om te kiezen welke van de 4.585 ingebouwde klassen de job daadwerkelijk moet detecteren — bijvoorbeeld door slechts 12 klassenamen uit de 4.585 op te geven. Cordatus koppelt elke naam die u opgeeft aan de bijbehorende klasse in de ingebouwde vocabulaire van YOLOE, zodat het model alleen de door u geselecteerde klassen rapporteert.
| Modelfamilie | Formaten | Beschrijving |
|---|---|---|
| YOLOE-26-PF | N, S, M, L, X | Open-vocabulary instance segmentation, gebouwd op de YOLO26-backbone. |
| YOLOE-11-PF | S, M, L | Open-vocabulary instance segmentation, gebouwd op de YOLO11-backbone. |
| YOLOE-V8-PF | S, M, L | Open-vocabulary instance segmentation, gebouwd op de YOLOv8-backbone. |
NOTE: Door zijn grote klassenvocabulaire wordt YOLOE (Prompt-Free) gebouwd en uitgevoerd met FP32-precisie in plaats van FP16 — dit behoudt de detectienauwkeurigheid over de 4.585 klassen, ten koste van een iets tragere inference dan de YOLO-SEG-modellen met vaste klassenset hierboven. Het kan ook af en toe grote achtergrondgebieden (bijv. de lucht) als een klasse labelen.
Overige ondersteunde architecturen
| Modelfamilie | Formaten | Beschrijving |
|---|---|---|
| Gold-YOLO (binnenkort) | N, S, M, L | Verbeterd feature fusion-mechanisme. |
| DAMO-YOLO (binnenkort) | S, M, L | High-performance detector van Alibaba DAMO Academy. |
| D-FINE (binnenkort) | N, S, M, L, X | Op DETR gebaseerde fijnmazige detector. |
| RT-DETR (binnenkort) | L, X | Real-Time Detection Transformer-model van Baidu. |
Gids voor modelgrootte
| Grootte | Parameters | Aanbevolen gebruik |
|---|---|---|
| N (Nano) | ~3M | Edge devices, Jetson Nano, laag stroomverbruik |
| S (Small) | ~9M | Embedded systemen, Jetson Xavier NX |
| M (Medium) | ~25M | Uitgebalanceerde prestaties, algemeen gebruik |
| L (Large) | ~43M | Toepassingen die hoge nauwkeurigheid vereisen |
| X (Extra Large) | ~68M | Maximale nauwkeurigheid, krachtige GPU's |
NOTE: YOLO-modellen zijn doorgaans voorgetraind op de COCO-dataset (80 klassen). U kunt het model opnieuw trainen via transfer learning voor uw eigen aangepaste klassen.
1. Een TAO/TensorFlow-model toevoegen
- Ga naar de pagina Models in het linkermenu van de Web Application.
- Klik op de knop Add Model. Hierdoor wordt de modal Add New Algorithm or Deep Learning Models geopend.
- Vul de volgende informatie in de modal in:
| Veld | Beschrijving |
|---|---|
| Model Label | Voer een naam in voor uw model. |
| Algorithm Type | Selecteer het type model dat u hebt getraind: objectdetectie of classificatie. |
| Train Source | Selecteer de applicatie waarmee het model is getraind (TAO Toolkit of TensorFlow). |
| Model Key | Alleen vereist voor modellen die zijn getraind met TAO Toolkit; voer de model key in die in de trainingsconfiguratie is gebruikt. |
| Model Format | Alleen vereist als TensorFlow Object Detection API is geselecteerd als trainingsbron. Selecteer het exportformaat van uw model (ONNX, TF SavedModel, TF GraphDef, TF Checkpoint of TF Keras). |
| Channel Order | Selecteer de channel-volgorde van uw model als channel-first (NCHW) of channel-last (NHWC). |
| Channel Width and Channel Height | Voer de inputkanaaldimensies van uw model in. |
| Model Files | Upload de geëxporteerde bestanden van uw model (alleen zip-formaat wordt geaccepteerd). |
| Label File | Upload een bestand met modellabels, één per regel (alleen txt-formaat wordt geaccepteerd). |
- Klik op de knop Save and Upload om het proces te voltooien.
NOTE: Controleer om een succesvolle implementatie te garanderen of uw trainingsconfiguratie overeenkomt met de configuraties die aan Cordatus zijn toegevoegd. Elke inconsistentie in modelconfiguraties kan tot implementatiefouten leiden. Controleer en stem deze configuraties zorgvuldig op elkaar af om een soepele integratie te garanderen.
2. Een YOLO-model toevoegen
Het toevoegen van een YOLO-model is heel eenvoudig. U hebt slechts twee bestanden nodig:
Weights (.pt) en labels (.txt)
- Ga naar de pagina Models in het linkermenu van de Web Application.
- Klik op de knop Add Model.
- Vul de volgende informatie in:
| Veld | Waarde |
|---|---|
| Model Label | Een naam voor uw model (bijv. "Helmet Detector") |
| Algorithm Type | Object Detection, of Instance Segmentation voor een YOLO-SEG-/YOLOE-architectuur |
| Train Source | YOLO |
| Model Size | N, S, M, L of X (Nano, Small, Medium, Large, Extra Large) |
| Model Files | ZIP-bestand met uw .pt-bestand |
| Label File | labels.txt-bestand (één klassenaam per regel) |
- Klik op de knop Save and Upload.
NOTE: Als u een YOLOE-model toevoegt, werkt het Label File anders: in plaats van de klassen te vermelden waarop het model is getraind, vermeldt u de specifieke klassen die u wilt detecteren uit de 4.585 ingebouwde klassen van YOLOE (bijv. alleen de 12 klassen die u nodig hebt). Cordatus koppelt elke naam aan de bijbehorende klasse in de ingebouwde vocabulaire van YOLOE, zodat de job alleen de door u geselecteerde klassen rapporteert.
Voorbeeld van een labels.txt-bestand:
person
car
truck
bicycle
motorcycle
NOTE: Cordatus converteert het YOLO-bestand
.ptautomatisch naar ONNX en vervolgens naar een TensorRT-engine. Dit proces vindt plaats tijdens de eerste implementatie en kan enige tijd duren.
Zodra het uploadproces is voltooid, verwerkt Cordatus uw modelbestanden en slaat het deze veilig op in uw account. U kunt vervolgens een job starten met dit model. Zie de sectie Jobs voor meer informatie.
Een aangepaste pipeline aanmaken
Het aanmaken van pipelines met Cordatus is een moeiteloos proces waarvoor geen programmeerkennis nodig is. Gebruikers kunnen eenvoudig hun pipelines ontwerpen door de gewenste modellen te verslepen en neer te zetten met de intuïtieve Cordatus Model Composer.
Stappen om een nieuwe pipeline aan te maken
- Ga naar de pagina Models in het linkermenu.
- Klik op de knop New Model in de rechterbovenhoek.
- Selecteer de optie Pipeline uit het dropdownmenu.
- De Model Composer wordt geopend. Start uw pipeline met de Dummy Stream. Dit vertegenwoordigt uw camerastream en dient als startpunt voor alle pipelines.
- Zoek in de linkerzijbalk de modellen die u wilt opnemen en sleep ze naar de Model Composer. De Dummy Stream en het eerste model worden automatisch verbonden.
- Om verbindingen tussen modellen te maken, sleept u de output van een model en tekent u een lijn om deze te verbinden met de input van een ander model.
- Om een verbinding tussen modellen te verwijderen, sleept u het invoer- of uitvoerdeel van de verbindingslijn en laat u het los in het zwarte gebied.
- Om een model uit de pipeline te verwijderen, klikt u met de rechtermuisknop op de header van het model en selecteert u de optie Delete.
- Klik op de knop Save Pipeline, voer een naam voor uw pipeline in bij het veld Pipeline Label en klik op de knop Save.
Zodra uw pipeline is aangemaakt, is deze gereed om te worden geïmplementeerd. Zie de sectie Jobs voor details over het starten van een job met deze pipeline.
NOTE: Voor optimale prestaties en efficiëntie wordt aanbevolen uw pipeline te starten met een objectdetectiemodel en te vervolgen met een classificatiemodel.
Welke modelgrootte moet ik kiezen bij het uploaden van een YOLO-model?
| Grootte | Aanbevolen gebruik |
|---|---|
| N (Nano) | Edge devices, Jetson Nano, laag stroomverbruik |
| S (Small) | Embedded systemen, Jetson Xavier NX |
| M (Medium) | Uitgebalanceerde prestaties, algemeen gebruik |
| L (Large) | Toepassingen die hoge nauwkeurigheid vereisen |
| X (Extra Large) | Maximale nauwkeurigheid, krachtige GPU's |
Kan een classificatiemodel zelfstandig worden gebruikt?
Nee, classificatiemodellen moeten binnen een pipeline worden gebruikt die is verbonden met een objectdetectiemodel.
Wat is het verschil tussen een model en een pipeline?
- Model: Een zelfstandig AI-model (bijv. mensen detecteren met PEOPLENET)
- Pipeline: Een flow waarin meerdere modellen sequentieel worden uitgevoerd (bijv. gezichtsdetectie → geslachtsvoorspelling → leeftijdsvoorspelling)
Hoeveel modellen kan ik gebruiken in een pipeline?
Er is geen technische limiet, maar voor de prestaties wordt aanbevolen te beginnen met een objectdetectiemodel en te vervolgen met classificatiemodellen.
Copyright © 2025 Cordatus.