mandresyandri/flair-inc-onnx

FLAIR-INC ResNet34-UNet — ONNX conversion

Conversion ONNX du modèle de segmentation sémantique FLAIR-INC publié par l'IGN France.

Ce modèle n'est pas une création originale. Il s'agit d'une conversion du modèle officiel IGNF vers le format ONNX pour faciliter le déploiement sans dépendance PyTorch. Tous les droits sur l'architecture et les poids appartiennent à l'IGN.

---

Modèle source

Auteurs	IGN France — équipe FLAIR
Repo original	IGNF/FLAIR-INC_rgb_12cl_resnet34-unet
Architecture	U-Net · encodeur ResNet-34 (ImageNet)
Framework original	PyTorch + segmentation-models-pytorch
Licence	Etalab Open Licence 2.0

Spécifications

Format	ONNX opset 17
Entrée	(1, 3, 512, 512) float32 — valeurs brutes [0, 255], normalisées en amont
Sortie	(1, 19, 512, 512) float32 — logits (seuls les 12 premiers canaux sont actifs)
Résolution	0.20 m/px (BD ORTHO® IGN)
Taille	~93 MB

Normalisation obligatoire avant inférence

mean = [105.08, 110.87, 101.82]
std  = [ 52.17,  45.38,  44.00]

12 classes actives

ID	Classe
0	building
1	pervious_surface
2	impervious_surface
3	bare_soil
4	water
5	coniferous
6	deciduous
7	brushwood
8	vineyard
9	herbaceous
10	agricultural_land
11	plowed_land

Utilisation

import numpy as np
import onnxruntime as ort

MEAN = np.array([105.08, 110.87, 101.82], dtype=np.float32).reshape(3, 1, 1)
STD  = np.array([ 52.17,  45.38,  44.00], dtype=np.float32).reshape(3, 1, 1)

sess       = ort.InferenceSession("flair_12cl_resnet34_unet.onnx")
arr255     = ...  # (3, 512, 512) float32 dans [0, 255]
normed     = (arr255 - MEAN) / STD
logits     = sess.run(None, {"image": normed[np.newaxis]})[0][0]  # (19, 512, 512)
class_map  = logits[:12].argmax(axis=0).astype(np.uint8)          # (512, 512)

Conversion

Script de conversion reproductible disponible dans le projet : scripts/convert_to_onnx.py

python scripts/convert_to_onnx.py --verify

Citation

Si vous utilisez ce modèle, merci de citer les travaux originaux de l'IGN :

@article{garioud2022flair,
  title     = {FLAIR: a Country-Scale Land Cover Semantic Segmentation Dataset
               From Multi-Source Optical Imagery},
  author    = {Garioud, Anatol and Peillet, Nicolas and Bookjans, Eva
               and Gaussier, Eric and Vallet, Bruno},
  journal   = {arXiv preprint arXiv:2211.12979},
  year      = {2022},
  url       = {https://arxiv.org/abs/2211.12979}
}

@misc{ignf_flair_model,
  author    = {{IGN France}},
  title     = {FLAIR-INC ResNet34-UNet — 12-class land cover segmentation},
  year      = {2023},
  publisher = {HuggingFace},
  url       = {https://huggingface.co/IGNF/FLAIR-INC_rgb_12cl_resnet34-unet}
}