Owlv2 Large Patch14 Ensemble

🚀 模型卡片：OWLv2

OWLv2模型（開放世界定位的縮寫）是一個零樣本的文本條件目標檢測模型，能夠使用一個或多個文本查詢來查詢圖像。該模型使用CLIP作為其多模態主幹，結合視覺和文本特徵，實現開放詞彙的目標檢測。

📚 詳細文檔

模型詳情

OWLv2模型（開放世界定位的縮寫）由Matthias Minderer、Alexey Gritsenko、Neil Houlsby在論文Scaling Open-Vocabulary Object Detection中提出。與OWL - ViT一樣，OWLv2是一個零樣本的文本條件目標檢測模型，可使用一個或多個文本查詢來查詢圖像。

該模型使用CLIP作為其多模態主幹，利用類似ViT的Transformer獲取視覺特徵，使用因果語言模型獲取文本特徵。為了將CLIP用於檢測任務，OWL - ViT移除了視覺模型的最終標記池化層，併為每個Transformer輸出標記附加了一個輕量級的分類和邊界框預測頭。通過用從文本模型獲得的類名嵌入替換固定的分類層權重，實現了開放詞彙分類。作者首先從頭開始訓練CLIP，然後在標準檢測數據集上使用二分匹配損失對分類和邊界框預測頭進行端到端的微調。每張圖像可以使用一個或多個文本查詢來執行零樣本的文本條件目標檢測。

模型日期

2023年6月

模型類型

相關文檔

• OWLv2論文

使用Transformers庫調用模型

import requests
from PIL import Image
import torch

from transformers import Owlv2Processor, Owlv2ForObjectDetection

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

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}")

🛠️ 模型使用

預期用途

該模型是為研究社區提供的研究成果。我們希望這個模型能讓研究人員更好地理解和探索零樣本、文本條件目標檢測。我們也希望它能用於跨學科研究，探討此類模型的潛在影響，特別是在那些通常需要識別訓練期間標籤不可用的對象的領域。

主要預期用途

這些模型的主要預期用戶是AI研究人員。

我們主要設想研究人員將使用該模型來更好地理解計算機視覺模型的魯棒性、泛化能力以及其他特性、偏差和侷限性。

BibTeX引用信息

@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}
}

📄 許可證

本模型採用Apache - 2.0許可證。