Rtdetr R101vd Coco O365

🚀 RT-DETR モデルカード

このモデルは、リアルタイム物体検出において、速度と精度のバランスを最適化した最先端の物体検出モデルです。

🚀 クイックスタート

以下のコードを使用して、モデルを始めることができます。

import torch
import requests

from PIL import Image
from transformers import RTDetrForObjectDetection, RTDetrImageProcessor

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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

これにより、以下のような出力が得られます。

sofa: 0.97 [0.14, 0.38, 640.13, 476.21]
cat: 0.96 [343.38, 24.28, 640.14, 371.5]
cat: 0.96 [13.23, 54.18, 318.98, 472.22]
remote: 0.95 [40.11, 73.44, 175.96, 118.48]
remote: 0.92 [333.73, 76.58, 369.97, 186.99]

✨ 主な機能

YOLOシリーズは、速度と精度の合理的なトレードオフのため、リアルタイム物体検出で最も人気のあるフレームワークになっています。しかし、YOLOの速度と精度はNMSによって悪影響を受けています。最近、エンドツーエンドのTransformerベースの検出器（DETR）は、NMSを排除する代替手段を提供しています。しかし、高い計算コストが実用性を制限し、NMSを排除する利点を十分に活用することができません。この論文では、Real-Time DEtection TRansformer（RT-DETR）を提案します。これは、私たちの知る限りでは、上記のジレンマを解決する最初のリアルタイムエンドツーエンドの物体検出器です。私たちは、高度なDETRを参考にして、2つのステップでRT-DETRを構築します。まず、精度を維持しながら速度を向上させ、次に速度を維持しながら精度を向上させます。具体的には、効率的なハイブリッドエンコーダを設計して、スケール内相互作用とクロススケール融合を分離することで、マルチスケール特徴を迅速に処理し、速度を向上させます。次に、不確実性最小化クエリ選択を提案して、デコーダに高品質の初期クエリを提供し、精度を向上させます。さらに、RT-DETRは、デコーダ層の数を調整することで柔軟な速度調整をサポートし、再トレーニングすることなくさまざまなシナリオに適応できます。私たちのRT-DETR-R50 / R101は、COCOで53.1% / 54.3%のAPを達成し、T4 GPUで108 / 74 FPSを達成し、以前の高度なYOLOよりも速度と精度の両方で優れています。また、スケールされたRT-DETRも開発しており、より軽量なYOLO検出器（SおよびMモデル）を上回っています。さらに、RT-DETR-R50は、精度でDINO-R50を2.2%上回り、FPSで約21倍高速です。Objects365で事前学習した後、RT-DETR-R50 / R101は55.3% / 56.2%のAPを達成します。プロジェクトページはこちらhttps URL。

📦 インストール

このセクションではインストールに関する具体的な内容が提供されていないため、スキップします。

💻 使用例

基本的な使用法

import torch
import requests

from PIL import Image
from transformers import RTDetrForObjectDetection, RTDetrImageProcessor

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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

📚 ドキュメント

モデルの詳細

これは🤗 transformers モデルのモデルカードで、Hubに公開されています。

• 開発者: Yian Zhao と Sangbum Choi
• 資金提供: 中国国家重点研究開発プログラム (No.2022ZD0118201)、中国自然科学基金 (No.61972217, 32071459, 62176249, 62006133, 62271465)、および中国深セン医療研究基金 (No.B2302037)
• 共有者: Sangbum Choi
• モデルタイプ: RT-DETR
• ライセンス: Apache-2.0

モデルのソース

• HF Docs: RT-DETR
• リポジトリ: https://github.com/lyuwenyu/RT-DETR
• 論文: https://arxiv.org/abs/2304.08069
• デモ: RT-DETR Tracking

トレーニングの詳細

トレーニングデータ

RTDETRモデルは、COCO 2017物体検出 データセットでトレーニングされました。このデータセットは、トレーニング用に118k、検証用に5kの注釈付き画像で構成されています。

トレーニング手順

私たちは、COCOとObjects365データセットで実験を行い、RT-DETRはCOCO train2017でトレーニングされ、COCO val2017データセットで検証されます。私たちは、標準的なCOCOメトリクスを報告します。これには、AP（IoU閾値0.50 - 0.95を0.05刻みで均一にサンプリングした平均）、AP50、AP75、および異なるスケールでのAP：APS、APM、APLが含まれます。

前処理

画像は640x640ピクセルにリサイズされ、image_mean=[0.485, 0.456, 0.406] と image_std=[0.229, 0.224, 0.225] で再スケーリングされます。

トレーニングハイパーパラメータ

• トレーニング方式:

評価

モデルアーキテクチャと目的

RT-DETRの概要です。バックボーンの最後の3つのステージからの特徴をエンコーダに入力します。効率的なハイブリッドエンコーダは、Attentionベースのスケール内特徴相互作用（AIFI）とCNNベースのクロススケール特徴融合（CCFF）を通じて、マルチスケール特徴を画像特徴のシーケンスに変換します。次に、不確実性最小化クエリ選択が、エンコーダ特徴から固定数を選択して、デコーダの初期物体クエリとして使用します。最後に、補助予測ヘッド付きのデコーダが、物体クエリを反復的に最適化して、カテゴリとボックスを生成します。

🔧 技術詳細

このセクションでは技術的な詳細に関する具体的な内容が十分ではないため、スキップします。

📄 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。

引用

@misc{lv2023detrs,
      title={DETRs Beat YOLOs on Real-time Object Detection},
      author={Yian Zhao and Wenyu Lv and Shangliang Xu and Jinman Wei and Guanzhong Wang and Qingqing Dang and Yi Liu and Jie Chen},
      year={2023},
      eprint={2304.08069},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

モデルカード作成者

Sangbum Choi
Pavel Iakubovskii