Deformable Detr Single Scale

🚀 Deformable DETRモデル（ResNet - 50バックボーン、シングルスケール）

このモデルは、COCO 2017の物体検出データセット（118k枚の注釈付き画像）を用いてエンドツーエンドで学習されたシングルスケールのDeformable DEtection TRansformer (DETR) です。このモデルは、Zhuらによる論文 Deformable DETR: Deformable Transformers for End-to-End Object Detection で導入され、このリポジトリ で最初に公開されました。

なお、Deformable DETR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ています。

🚀 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。すべての利用可能な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 - デコーダ構造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使用しています。
• 物体検出のために、デコーダの出力に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が追加されています。
• 物体クエリを使用して画像内の物体を検出します。COCOデータセットでは、物体クエリの数は100に設定されています。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers torch pillow requests

💻 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("SenseTime/deformable-detr-single-scale")
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr-single-scale")

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}"
    )

現在、特徴抽出器とモデルの両方がPyTorchをサポートしています。

📚 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 - デコーダ構造のトランスフォーマーです。物体検出を行うために、デコーダの出力に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、いわゆる物体クエリを使用して画像内の物体を検出します。各物体クエリは、画像内の特定の物体を探します。COCOデータセットの場合、物体クエリの数は100に設定されています。

このモデルは、「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注釈と比較します（つまり、画像に4つの物体しか含まれていない場合、96の注釈はクラスとして「物体なし」、バウンディングボックスとして「ボックスなし」になります）。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個の注釈の間に最適な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。すべての利用可能なDeformable DETRモデルを探すには、モデルハブ を参照してください。

学習データ

Deformable DETRモデルは、COCO 2017物体検出 データセットを使用して学習されました。このデータセットは、学習用に118k枚、検証用に5k枚の注釈付き画像で構成されています。

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}
}

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で公開されています。