Dfine Large Obj2coco E25

🚀 D-FINE

D-FINEは、物体検出の分野において、高精度な位置特定を実現する強力なリアルタイム物体検出器です。DETRモデルにおけるバウンディングボックス回帰タスクを再定義することで、卓越した性能を発揮します。

🚀 クイックスタート

D-FINEモデルは、D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinementで提案されました。著者はYansong Peng、Hebei Li、Peixi Wu、Yueyi Zhang、Xiaoyan Sun、Feng Wuです。

このモデルは、@qubvel-hfの支援を受けて、VladOS95-cyberによって貢献されました。これはD-FINEのHF transformers実装です。

• coco -> COCOで学習されたモデル
• obj365 -> Object365で学習されたモデル
• obj2coco -> Object365で学習され、その後COCOでファインチューニングされたモデル

✨ 主な機能

D-FINEは、強力なリアルタイム物体検出器で、DETRモデルにおけるバウンディングボックス回帰タスクを再定義することで、卓越した位置特定精度を達成します。D-FINEは2つの主要なコンポーネントで構成されています：Fine-grained Distribution Refinement (FDR) と Global Optimal Localization Self-Distillation (GO-LSD)。

💻 使用例

基本的な使用法

import torch
import requests

from PIL import Image
from transformers import DFineForObjectDetection, AutoImageProcessor

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

image_processor = AutoImageProcessor.from_pretrained("ustc-community/dfine-large-obj2coco-e25")
model = DFineForObjectDetection.from_pretrained("ustc-community/dfine-large-obj2coco-e25")

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}")

🔧 技術詳細

学習

D-FINEは、COCO (Lin et al. [2014]) train2017で学習され、COCO val2017データセットで検証されます。標準的なAPメトリクス（IoU閾値を0.50 - 0.95の範囲で0.05刻みで均一にサンプリングして平均化）と、実際のシナリオで一般的に使用されるAPval5000を報告します。

応用

D-FINEは、自動運転、監視システム、ロボット工学、小売分析などの多様なアプリケーションにおけるリアルタイム物体検出に最適です。その高い柔軟性とデプロイしやすい設計により、エッジデバイスと大規模システムの両方に適しており、動的な実世界環境において高精度と高速を保証します。

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で提供されています。