Detr Finetuned Chess

🚀 DETR (端到端目標檢測) 模型：基於ResNet - 50骨幹網絡在棋子數據集上微調

本模型是基於ResNet - 50骨幹網絡的DETR（端到端目標檢測）模型，在棋子識別數據集上進行了微調，可用於棋子識別。

🚀 快速開始

使用以下代碼即可開始使用該模型：

from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image
import requests

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

processor = DetrImageProcessor.from_pretrained("aesat/detr-finetuned-chess", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-finetuned-chess", revision="no_timm")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# convert outputs (bounding boxes and class logits) to COCO API
# let's only keep detections with score > 0.9
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
            f"Detected {model.config.id2label[label.item()]} with confidence "
            f"{round(score.item(), 3)} at location {box}"
    )

✨ 主要特性

• 端到端訓練：DETR模型在棋子識別數據集上進行了端到端的訓練。
• 編碼器 - 解碼器架構：該模型是一個帶有卷積骨幹網絡的編碼器 - 解碼器Transformer。
• 目標查詢機制：使用目標查詢來檢測圖像中的對象，每個目標查詢負責查找圖像中的特定對象。

📚 詳細文檔

模型詳情

模型描述

DETR模型是一個帶有卷積骨幹網絡的編碼器 - 解碼器Transformer。為了進行目標檢測，在解碼器輸出的基礎上添加了兩個頭部：一個用於類別標籤的線性層和一個用於邊界框的MLP（多層感知器）。該模型使用所謂的目標查詢來檢測圖像中的對象，對於COCO數據集，目標查詢的數量設置為100。

• 開發者：[待補充更多信息]
• 資助方（可選）：[待補充更多信息]
• 共享方（可選）：[待補充更多信息]
• 模型類型：[待補充更多信息]
• 語言（NLP）：[待補充更多信息]
• 許可證：[待補充更多信息]
• 微調基礎模型（可選）：[待補充更多信息]

模型來源（可選）

• 倉庫：[待補充更多信息]
• 論文（可選）：[待補充更多信息]
• 演示（可選）：[待補充更多信息]

使用場景

如何使用

上述快速開始部分的代碼展示了在不進行微調或集成到更大的生態系統/應用程序中的情況下如何使用該模型。

下游使用（可選）

[待補充更多信息]

超出適用範圍的使用

[待補充更多信息]

偏差、風險和侷限性

[待補充更多信息]

建議

用戶（直接用戶和下游用戶）應該瞭解該模型的風險、偏差和侷限性。如需進一步建議，還需更多信息。

訓練詳情

訓練數據

[待補充更多信息]

訓練過程

預處理（可選）

[待補充更多信息]

訓練超參數

• 訓練機制：[待補充更多信息]（如fp32、fp16混合精度、bf16混合精度、bf16非混合精度、fp16非混合精度、fp8混合精度）

速度、大小、時間（可選）

[待補充更多信息]

評估

測試數據、因素和指標

測試數據

[待補充更多信息]

因素

[待補充更多信息]

指標

[待補充更多信息]

結果

[待補充更多信息]

總結

[待補充更多信息]

模型檢查（可選）

[待補充更多信息]

環境影響

可以使用Lacoste等人（2019）提出的機器學習影響計算器來估算碳排放。

• 硬件類型：[待補充更多信息]
• 使用時長：[待補充更多信息]
• 雲服務提供商：[待補充更多信息]
• 計算區域：[待補充更多信息]
• 碳排放：[待補充更多信息]

技術規格（可選）

模型架構和目標

[待補充更多信息]

計算基礎設施

硬件

[待補充更多信息]

軟件

[待補充更多信息]

引用（可選）

BibTeX

[待補充更多信息]

APA

[待補充更多信息]

術語表（可選）

[待補充更多信息]

更多信息（可選）

[待補充更多信息]

模型卡片作者（可選）

[待補充更多信息]

模型卡片聯繫方式

[待補充更多信息]

📄 許可證

本模型使用的許可證為apache - 2.0。