Deformable Detr Detic

🚀 Deformable DETRモデル（Detic法を用いてLVIS上で学習）

このモデルは、LVIS（1203クラスを含む）上で学習されたDeformable DEtection TRansformer (DETR) です。このモデルは、Zhouらによる論文 Detecting Twenty-thousand Classes using Image-level Supervision で導入され、最初は このリポジトリ で公開されました。

このモデルは、元のリポジトリで公開された "Detic_DeformDETR_R50_4x" チェックポイントに対応しています。

免責事項: Deticを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

🚀 クイックスタート

このモデルは、物体検出に使用できます。利用可能なすべてのDeformable DETRモデルを探すには、モデルハブ を参照してください。

✨ 主な機能

• エンコーダ - デコーダ型のトランスフォーマーモデルで、畳み込みバックボーンを持つ。
• 物体検出のために、デコーダ出力の上に2つのヘッド（クラスラベル用の線形層とバウンディングボックス用のMLP）が追加されている。
• 画像内の物体を検出するために物体クエリを使用する。

📚 ドキュメント

モデルの説明

DETRモデルは、畳み込みバックボーンを持つエンコーダ - デコーダ型のトランスフォーマーです。物体検出を行うために、デコーダ出力の上に2つのヘッドが追加されています。1つはクラスラベル用の線形層、もう1つはバウンディングボックス用のMLP（多層パーセプトロン）です。このモデルは、画像内の物体を検出するためにいわゆる物体クエリを使用します。各物体クエリは、画像内の特定の物体を探します。COCOの場合、物体クエリの数は100に設定されています。

モデルは "二部マッチング損失" を使用して学習されます。つまり、N = 100の各物体クエリの予測クラスとバウンディングボックスを、同じ長さNにパディングされた正解アノテーションと比較します（つまり、画像に4つの物体しか含まれていない場合、96個のアノテーションはクラスとして "物体なし"、バウンディングボックスとして "バウンディングボックスなし" となります）。ハンガリアンマッチングアルゴリズムを使用して、N個のクエリとN個のアノテーションの間に最適な1対1のマッピングを作成します。次に、標準的な交差エントロピー（クラス用）とL1損失と一般化IoU損失の線形結合（バウンディングボックス用）を使用して、モデルのパラメータを最適化します。

想定される用途と制限

このモデルは物体検出に使用できます。利用可能なすべてのDeformable DETRモデルを探すには、モデルハブ を参照してください。

評価結果

このモデルは、LVIS上で32.5のボックスmAPと26.2のmAP（レアクラス）を達成しています。

BibTeXエントリと引用情報

@misc{https://doi.org/10.48550/arxiv.2010.04159,
  doi = {10.48550/ARXIV.2010.04159},
  url = {https://arxiv.org/abs/2010.04159}, 
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  publisher = {arXiv},
  year = {2020},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

💻 使用例

基本的な使用法

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("facebook/deformable-detr-detic")
model = DeformableDetrForObjectDetection.from_pretrained("facebook/deformable-detr-detic")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# convert outputs (bounding boxes and class logits) to COCO API
# let's only keep detections with score > 0.7
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[0]

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
            f"Detected {model.config.id2label[label.item()]} with confidence "
            f"{round(score.item(), 3)} at location {box}"
    )

📄 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。