Owlv2 Large Patch14 Ensemble

🚀 OWLv2モデルカード

OWLv2モデル（Open-World Localizationの略称）は、ゼロショットでテキスト条件付きの物体検出モデルです。このモデルを使うことで、1つまたは複数のテキストクエリを用いて画像を検索することができます。

🚀 クイックスタート

Transformersでの使用

import requests
from PIL import Image
import torch

from transformers import Owlv2Processor, Owlv2ForObjectDetection

processor = Owlv2Processor.from_pretrained("google/owlv2-large-patch14-ensemble")
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-large-patch14-ensemble")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
texts = [["a photo of a cat", "a photo of a dog"]]
inputs = processor(text=texts, images=image, return_tensors="pt")
outputs = model(**inputs)

# Target image sizes (height, width) to rescale box predictions [batch_size, 2]
target_sizes = torch.Tensor([image.size[::-1]])
# Convert outputs (bounding boxes and class logits) to COCO API
results = processor.post_process_object_detection(outputs=outputs, threshold=0.1, target_sizes=target_sizes)

i = 0  # Retrieve predictions for the first image for the corresponding text queries
text = texts[i]
boxes, scores, labels = results[i]["boxes"], results[i]["scores"], results[i]["labels"]

# Print detected objects and rescaled box coordinates
for box, score, label in zip(boxes, scores, labels):
    box = [round(i, 2) for i in box.tolist()]
    print(f"Detected {text[label]} with confidence {round(score.item(), 3)} at location {box}")

✨ 主な機能

OWLv2モデルは、CLIPをマルチモーダルバックボーンとして使用しています。画像エンコーダーにはViT-L/14 Transformerアーキテクチャを持つCLIPバックボーンを、テキストエンコーダーにはマスク自己注意Transformerを使用しています。これらのエンコーダーは、対照損失を通じて（画像、テキスト）ペアの類似度を最大化するように訓練されています。

📦 インストール

このモデルを使用するには、transformersライブラリをインストールする必要があります。以下のコマンドでインストールできます。

pip install transformers

📚 ドキュメント

• OWLv2論文

🔧 技術詳細

モデルの詳細

OWLv2モデル（Open-World Localizationの略称）は、Matthias Minderer、Alexey Gritsenko、Neil HoulsbyによるScaling Open-Vocabulary Object Detectionで提案されました。OWLv2は、OWL-ViTと同様に、ゼロショットでテキスト条件付きの物体検出モデルで、1つまたは複数のテキストクエリを用いて画像を検索することができます。

このモデルは、CLIPをマルチモーダルバックボーンとして使用しています。ViTのようなTransformerを使って視覚的特徴を取得し、因果言語モデルを使ってテキスト特徴を取得します。CLIPを検出に使用するために、OWL-ViTはビジョンモデルの最後のトークンプーリング層を削除し、各Transformer出力トークンに軽量な分類とボックスヘッドを付けます。固定分類層の重みを、テキストモデルから得られるクラス名埋め込みで置き換えることで、オープンボキャブラリ分類が可能になります。著者らはまず、CLIPをゼロから訓練し、二部マッチング損失を使用して標準的な検出データセット上で分類とボックスヘッドとともにエンドツーエンドで微調整します。画像ごとに1つまたは複数のテキストクエリを使用して、ゼロショットでテキスト条件付きの物体検出を行うことができます。

モデルの日付

2023年6月

モデルのタイプ

このモデルは、画像エンコーダーとしてViT-L/14 Transformerアーキテクチャを持つCLIPバックボーンを使用し、テキストエンコーダーとしてマスク自己注意Transformerを使用しています。これらのエンコーダーは、対照損失を通じて（画像、テキスト）ペアの類似度を最大化するように訓練されています。CLIPバックボーンはゼロから訓練され、物体検出の目的でボックスとクラス予測ヘッドと一緒に微調整されています。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。

BibTeXエントリと引用情報

@misc{minderer2023scaling,
      title={Scaling Open-Vocabulary Object Detection}, 
      author={Matthias Minderer and Alexey Gritsenko and Neil Houlsby},
      year={2023},
      eprint={2306.09683},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📦 データ

モデルのCLIPバックボーンは、公開されている画像キャプションデータで訓練されています。これは、いくつかのウェブサイトをクロールし、YFCC100Mなどの一般的に使用される既存の画像データセットを組み合わせて行われました。データの大部分は、インターネットのクロールから得られています。これは、データがインターネットに最も接続されている人々と社会をより代表していることを意味します。OWL-ViTの予測ヘッドは、CLIPバックボーンとともに、COCOやOpenImagesなどの公開されている物体検出データセットで微調整されています。

（v2については更新予定）

📚 モデルの使用

意図された使用方法

このモデルは、研究コミュニティ向けの研究成果として意図されています。このモデルにより、研究者がゼロショットでテキスト条件付きの物体検出をよりよく理解し、探索できることを期待しています。また、このようなモデルの潜在的な影響に関する学際的な研究、特に訓練時にラベルが利用できない物体を識別する必要がある分野での研究にも役立つことを期待しています。

主な意図された使用法

このモデルの主な意図されたユーザーは、AI研究者です。主に、研究者がコンピュータビジョンモデルのロバスト性、汎化能力、その他の能力、バイアス、制約をよりよく理解するためにこのモデルを使用することを想定しています。