Rtdetr R34vd

🚀 RT-DETR模型卡片

RT-DETR是一種即時端到端目標檢測器，解決了現有目標檢測框架在速度和準確性方面的困境。它結合了先進的DETR架構，通過高效的混合編碼器和不確定性最小查詢選擇，在速度和準確性上取得了良好的平衡。

🚀 快速開始

使用以下代碼開始使用該模型：

import torch
import requests

from PIL import Image
from transformers import RTDetrForObjectDetection, RTDetrImageProcessor

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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r34vd")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r34vd")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

這段代碼的輸出應該如下：

sofa: 0.97 [0.14, 0.38, 640.13, 476.21]
cat: 0.96 [343.38, 24.28, 640.14, 371.5]
cat: 0.96 [13.23, 54.18, 318.98, 472.22]
remote: 0.95 [40.11, 73.44, 175.96, 118.48]
remote: 0.92 [333.73, 76.58, 369.97, 186.99]

✨ 主要特性

• 解決YOLO系列困境：YOLO系列在即時目標檢測中很受歡迎，但NMS影響了其速度和準確性。而基於Transformer的端到端檢測器（DETRs）雖可消除NMS，但計算成本高。RT-DETR作為首個即時端到端目標檢測器，解決了這一困境。
• 分兩步構建：借鑑先進的DETR，先在保持準確性的同時提高速度，再在保持速度的同時提高準確性。
• 高效混合編碼器：通過解耦尺度內交互和跨尺度融合，快速處理多尺度特徵，提高速度。
• 不確定性最小查詢選擇：為解碼器提供高質量的初始查詢，提高準確性。
• 靈活的速度調整：可通過調整解碼器層數靈活調整速度，適應各種場景，無需重新訓練。
• 性能優越：RT-DETR-R50 / R101在COCO上達到53.1% / 54.3%的平均精度（AP），在T4 GPU上達到108 / 74 FPS，在速度和準確性上均優於之前先進的YOLO模型。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

import torch
import requests

from PIL import Image
from transformers import RTDetrForObjectDetection, RTDetrImageProcessor

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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r34vd")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r34vd")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

高級用法

文檔未提及高級用法代碼示例，故跳過此部分。

📚 詳細文檔

模型詳情

YOLO系列由於在速度和準確性之間取得了合理的平衡，已成為即時目標檢測最流行的框架。然而，我們發現YOLO的速度和準確性受到非極大值抑制（NMS）的負面影響。最近，基於Transformer的端到端檢測器（DETRs）提供了一種消除NMS的替代方案。然而，高計算成本限制了它們的實用性，阻礙了它們充分發揮排除NMS的優勢。在本文中，我們提出了即時檢測Transformer（RT-DETR），據我們所知，它是第一個解決上述困境的即時端到端目標檢測器。我們分兩步構建RT-DETR，借鑑先進的DETR：首先，我們專注於在提高速度的同時保持準確性，然後在保持速度的同時提高準確性。具體來說，我們設計了一個高效的混合編碼器，通過解耦尺度內交互和跨尺度融合來快速處理多尺度特徵，以提高速度。然後，我們提出了不確定性最小查詢選擇，為解碼器提供高質量的初始查詢，從而提高準確性。此外，RT-DETR支持通過調整解碼器層數靈活調整速度，以適應各種場景，無需重新訓練。我們的RT-DETR-R50 / R101在COCO上達到53.1% / 54.3%的平均精度（AP），在T4 GPU上達到108 / 74 FPS，在速度和準確性上均優於之前先進的YOLO模型。我們還開發了縮放版的RT-DETR，優於較輕量級的YOLO檢測器（S和M模型）。此外，RT-DETR-R50在準確性上比DINO-R50高2.2%的AP，在FPS上約高21倍。在使用Objects365進行預訓練後，RT-DETR-R50 / R101達到55.3% / 56.2%的AP。項目頁面：點擊此處。

模型來源

• HF文檔：RT-DETR
• 代碼倉庫：https://github.com/lyuwenyu/RT-DETR
• 論文：https://arxiv.org/abs/2304.08069
• 演示：RT-DETR跟蹤

訓練詳情

訓練數據

RTDETR模型在COCO 2017目標檢測數據集上進行訓練，該數據集分別包含118k/5k張帶註釋的圖像用於訓練/驗證。

訓練過程

我們在COCO和Objects365數據集上進行實驗，RT-DETR在COCO train2017上訓練，並在COCO val2017數據集上驗證。我們報告標準的COCO指標，包括平均精度（AP，在0.50 - 0.95的均勻採樣IoU閾值範圍內平均，步長為0.05）、AP50、AP75，以及不同尺度下的AP：APS、APM、APL。

預處理

圖像被調整為640x640像素，並使用image_mean=[0.485, 0.456, 0.406]和image_std=[0.229, 0.224, 0.225]進行重新縮放。

訓練超參數

• 訓練機制：文檔中以圖片形式展示，未明確文字內容。

評估

模型架構和目標

RT-DETR概述。我們將骨幹網絡最後三個階段的特徵輸入到編碼器中。高效混合編碼器通過基於注意力的尺度內特徵交互（AIFI）和基於CNN的跨尺度特徵融合（CCFF）將多尺度特徵轉換為圖像特徵序列。然後，不確定性最小查詢選擇選擇固定數量的編碼器特徵作為解碼器的初始目標查詢。最後，帶有輔助預測頭的解碼器迭代優化目標查詢，以生成類別和邊界框。

🔧 技術細節

文檔未提供足夠詳細的技術實現細節（具體說明少於50字），故跳過此章節。

📄 許可證

本模型使用Apache-2.0許可證。

📚 引用

BibTeX：

@misc{lv2023detrs,
      title={DETRs Beat YOLOs on Real-time Object Detection},
      author={Yian Zhao and Wenyu Lv and Shangliang Xu and Jinman Wei and Guanzhong Wang and Qingqing Dang and Yi Liu and Jie Chen},
      year={2023},
      eprint={2304.08069},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

模型卡片作者

• Sangbum Choi
• Pavel Iakubovskii