Owlv2 Large Patch14 Finetuned

🚀 OWLv2モデルカード

OWLv2モデルは、ゼロショットのテキスト条件付き物体検出モデルです。このモデルを使用することで、1つまたは複数のテキストクエリを用いて画像内の物体を検出することができます。

🚀 クイックスタート

このセクションでは、Transformersライブラリを使ってOWLv2モデルを使用する基本的な手順を説明します。

import requests
from PIL import Image
import torch

from transformers import Owlv2Processor, Owlv2ForObjectDetection

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

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、ゼロショットのテキスト条件付き物体検出を可能にする多様な機能を備えています。

• ゼロショット物体検出：事前に訓練されたクラスに限定されず、任意のテキストクエリを使用して物体を検出できます。
• 多モーダルバックボーン：CLIPをベースにした多モーダルバックボーンを使用して、画像とテキストの特徴を効果的に抽出します。
• オープンボキャブラリ分類：固定された分類層の重みを、テキストモデルから取得したクラス名の埋め込みに置き換えることで、オープンボキャブラリ分類を可能にします。

📦 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。以下のコマンドを使用して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

モデルの概要

OWLv2モデル（Open-World Localizationの略）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、ゼロショットのテキスト条件付き物体検出モデルで、1つまたは複数のテキストクエリを用いて画像をクエリすることができます。

モデルのアーキテクチャ

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は、対照的損失を通じて（画像、テキスト）ペアの類似性を最大化するように訓練されています。

モデルの訓練

CLIPバックボーンは、スクラッチから訓練され、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ます。モデルは、公開されている画像キャプションデータと物体検出データセットを使用して訓練されています。

モデルの日付

2023年6月

モデルのタイプ

モデルは、CLIPバックボーンを使用し、画像エンコーダとしてViT-L/14 Transformerアーキテクチャを使用し、テキストエンコーダとしてマスク自己注意Transformerを使用しています。

📄 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}
}