Owlv2 Large Patch14 Finetuned

🚀 模型卡片：OWLv2

OWLv2模型是一種零樣本、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。它在開放詞彙目標檢測領域具有重要意義，為研究人員提供了強大的工具來探索和理解相關技術。

📚 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。和OWL - ViT一樣，OWLv2是一種零樣本、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。

該模型使用CLIP作為其多模態主幹網絡，藉助類似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、文本條件的目標檢測。

模型日期

2023年6月

模型類型

相關文檔

• OWLv2論文

與Transformers庫結合使用

基礎用法

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}")

📄 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

該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、偏差和侷限性。