Detr Resnet 101 Dc5 Sku110k

🚀 DETR（端到端目標檢測）模型：基於ResNet - 101 - DC5骨幹網絡，在SKU110K數據集上訓練，num_queries為400

本項目的DETR（Detection Transformer）模型在SKU110K目標檢測數據集（包含8000張帶註釋圖像）上進行了端到端訓練。與原始模型的主要區別在於，本模型的num_queries設置為400，並且在SKU110K數據集上進行了預訓練。

🚀 快速開始

模型使用方法

以下是使用該模型的示例代碼：

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

url = "https://github.com/Isalia20/DETR-finetune/blob/main/IMG_3507.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)
image = ImageOps.exif_transpose(image)

# you can specify the revision tag if you don't want the timm dependency
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-101-dc5")
model = DetrForObjectDetection.from_pretrained("isalia99/detr-resnet-101-dc5-sku110k")
model = model.eval()
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 > 0.8
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.8)[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}"
        )

運行上述代碼，輸出示例如下：

Detected LABEL_1 with confidence 0.983 at location [665.49, 480.05, 708.15, 650.11]
Detected LABEL_1 with confidence 0.938 at location [204.99, 1405.9, 239.9, 1546.5]
...
Detected LABEL_1 with confidence 0.998 at location [772.85, 169.49, 829.67, 372.18]
Detected LABEL_1 with confidence 0.999 at location [828.28, 1475.16, 874.37, 1593.43]

目前，特徵提取器和模型均支持PyTorch。

📚 詳細文檔

訓練數據

DETR模型在SKU110K數據集上進行訓練，該數據集分別包含8219/588/2936張帶註釋的圖像用於訓練、驗證和測試。

訓練過程

• 訓練設置：模型在1塊RTX 4060 Ti GPU上進行訓練。首先僅對解碼器進行微調，訓練60個epoch，批次大小為1，梯度累積步數設置為8；然後對整個網絡進行微調，同樣訓練60個epoch，批次大小為1，梯度累積步數為8。

評估結果

該模型在SKU110K驗證集上的平均精度均值（mAP）達到了59.8。評估結果使用torchmetrics庫中的MeanAveragePrecision類進行計算。

訓練代碼

訓練代碼已發佈在本倉庫中，點擊查看。不過，代碼尚未最終確定和充分測試，但主要功能已包含在內。

📄 許可證

本項目採用Apache - 2.0許可證。