# Сопоставление ключевых точек

Сопоставление ключевых точек (Keypoint matching) сопоставляет различные точки интереса, принадлежащие одному и тому же объекту, который появляется на двух разных изображениях. Большинство современных алгоритмов сопоставления ключевых точек принимают на вход изображения и выдают следующие результаты:

- **Координаты ключевых точек (x, y):** попарное соответствие пиксельных координат между первым и вторым изображением с использованием двух списков. Каждая ключевая точка с определённым индексом в первом списке соответствует ключевой точке с тем же индексом во втором списке.
- **Оценки соответствия:** Оценки, присвоенные совпадениям ключевых точек.

В этом руководстве вы извлечете совпадения ключевых точек с помощью модели `EfficientLoFTR`, обученной в рамках [MatchAnything framework](https://huggingface.co/zju-community/matchanything_eloftr), и уточните эти совпадения. Модель содержит всего 16 млн параметров и может работать на CPU. Вы будете использовать класс [AutoModelForKeypointMatching](/docs/transformers/v5.23.0/ru/model_doc/auto#transformers.AutoModelForKeypointMatching).

```python
from transformers import AutoImageProcessor, AutoModelForKeypointMatching
import torch

processor = AutoImageProcessor.from_pretrained("zju-community/matchanything_eloftr")
model = AutoModelForKeypointMatching.from_pretrained("zju-community/matchanything_eloftr")
```

Загрузите два изображения, на которых присутствует один и тот же объект интереса. Второе фото сделано через секунду, его цвета отредактированы, а также оно дополнительно обрезано и повёрнуто.

    <img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
         alt="Bee"
         style="height: 200px; object-fit: contain; margin-right: 10px;">
    <img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee_edited.jpg"
         alt="Bee edited"
         style="height: 200px; object-fit: contain;">

```python
from transformers.image_utils import load_image
image1 = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg")
image2 = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee_edited.jpg")

images = [image1, image2]
```

Мы можем передать изображения в процессор и выполнить инференс.

```python
inputs = processor(images, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
```

Мы можем выполнить постобработку результатов. Параметр threshold используется для уточнения шума (порогов низкой уверенности) в совпадениях результата.

```python
image_sizes = [[(image.height, image.width) for image in images]]

outputs = processor.post_process_keypoint_matching(outputs, image_sizes, threshold=0.2)
print(outputs)
```

Вот результаты.

```text
[{'keypoints0': tensor([[4514,  550],
          [4813,  683],
          [1972, 1547],
          ...
          [3916, 3408]], dtype=torch.int32),
  'keypoints1': tensor([[2280,  463],
          [2378,  613],
          [2231,  887],
          ...
          [1521, 2560]], dtype=torch.int32),
  'matching_scores': tensor([0.2189, 0.2073, 0.2414, ...
    ])}]
```

Мы сократили вывод, но совпадений 401!

```python
len(outputs[0]["keypoints0"])
# 401
```

Мы можем визуализировать их с помощью метода [visualize_keypoint_matching()](/docs/transformers/v5.23.0/ru/model_doc/efficientloftr#transformers.EfficientLoFTRImageProcessor.visualize_keypoint_matching) процессора.

```python
plot_images = processor.visualize_keypoint_matching(images, outputs)
plot_images
```

![Matched Image](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/matched_bees.png)

При необходимости можно использовать API [Pipeline](/docs/transformers/v5.23.0/ru/main_classes/pipelines#transformers.Pipeline) и установить задачу `keypoint-matching`.

```python
from transformers import pipeline 

image_1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image_2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee_edited.jpg"

pipe = pipeline("keypoint-matching", model="zju-community/matchanything_eloftr")
pipe([image_1, image_2])
```

Результат выглядит следующим образом.

```bash
[{'keypoint_image_0': {'x': 2444, 'y': 2869},
  'keypoint_image_1': {'x': 837, 'y': 1500},
  'score': 0.9756593704223633},
 {'keypoint_image_0': {'x': 1248, 'y': 2819},
  'keypoint_image_1': {'x': 862, 'y': 866},
  'score': 0.9735618829727173},
 {'keypoint_image_0': {'x': 1547, 'y': 3317},
  'keypoint_image_1': {'x': 1436, 'y': 1500},
  ...
 }
]
```

