Owlv2 Base Patch16

🚀 模型卡片：OWLv2

OWLv2是一個零樣本、文本條件的目標檢測模型，可使用一個或多個文本查詢對圖像進行查詢，為研究人員探索目標檢測提供了有力工具。

🚀 快速開始

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-base-patch16")
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-base-patch16")

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}")

✨ 主要特性

• 零樣本目標檢測：與OWL - ViT類似，OWLv2是零樣本、文本條件的目標檢測模型，可使用一個或多個文本查詢對圖像進行查詢。
• 多模態骨幹網絡：使用CLIP作為多模態骨幹網絡，通過類似ViT的Transformer獲取視覺特徵，使用因果語言模型獲取文本特徵。
• 開放詞彙分類：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，實現開放詞彙分類。

📚 詳細文檔

模型詳情

OWLv2模型（Open - World Localization的縮寫）由Matthias Minderer、Alexey Gritsenko、Neil Houlsby在論文Scaling Open - Vocabulary Object Detection中提出。該模型使用CLIP作為多模態骨幹網絡，其中圖像編碼器採用具有ViT - B/16 Transformer架構的CLIP骨幹網絡，文本編碼器使用掩碼自注意力Transformer。這些編碼器通過對比損失進行訓練，以最大化（圖像，文本）對的相似度。CLIP骨幹網絡從頭開始訓練，並與邊界框和類別預測頭一起針對目標檢測任務進行微調。

模型日期

2023年6月

模型類型

相關文檔

• OWLv2論文

🔧 技術細節

為了將CLIP用於檢測，OWL - ViT移除了視覺模型的最終令牌池化層，併為每個Transformer輸出令牌附加了一個輕量級的分類和邊界框頭。作者首先從頭開始訓練CLIP，然後使用二分匹配損失在標準檢測數據集上對分類和邊界框頭進行端到端的微調。可以使用每張圖像的一個或多個文本查詢來執行零樣本、文本條件的目標檢測。

📄 許可證

本模型採用Apache - 2.0許可證。

BibTeX引用

@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}
}

模型使用

預期用途

本模型旨在作為研究成果供研究社區使用。我們希望該模型能使研究人員更好地理解和探索零樣本、文本條件的目標檢測。我們也希望它可用於跨學科研究，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。

主要預期用戶

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、泛化能力以及其他能力、偏差和限制。