Deformable Detr With Box Refine Two Stage

🚀 具有ResNet - 50主幹、框細化和兩階段的可變形DETR模型

該模型為可變形檢測變換器（Deformable DETR），採用框細化和兩階段模型，在COCO 2017目標檢測數據集（11.8萬張帶註釋圖像）上進行了端到端訓練。它由朱等人在論文《可變形DETR：用於端到端目標檢測的可變形變換器》中提出，並首次在該倉庫發佈。

聲明：發佈可變形DETR的團隊並未為該模型撰寫模型卡片，此模型卡片由Hugging Face團隊撰寫。

🚀 快速開始

你可以使用該原始模型進行目標檢測。可查看模型中心以查找所有可用的可變形DETR模型。

✨ 主要特性

• 端到端訓練：在COCO 2017目標檢測數據集上進行端到端訓練。
• 可變形架構：採用可變形變換器架構，提升目標檢測性能。
• 框細化和兩階段：結合框細化和兩階段模型，提高檢測精度。

📦 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

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
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 = AutoImageProcessor.from_pretrained("SenseTime/deformable-detr-with-box-refine-two-stage")
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr-with-box-refine-two-stage")

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 > 0.7
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[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}"
    )

目前，特徵提取器和模型均支持PyTorch。

📚 詳細文檔

模型描述

DETR模型是一種帶有卷積主幹的編碼器 - 解碼器變換器。為了進行目標檢測，在解碼器輸出之上添加了兩個頭部：一個用於類別標籤的線性層和一個用於邊界框的多層感知機（MLP）。該模型使用所謂的目標查詢來檢測圖像中的目標。每個目標查詢在圖像中尋找特定的目標。對於COCO數據集，目標查詢的數量設置為100。

該模型使用“二分匹配損失”進行訓練：將N = 100個目標查詢各自預測的類別和邊界框與真實標註進行比較，真實標註會填充到相同的長度N（因此，如果一張圖像僅包含4個目標，那麼96個標註的類別將為“無目標”，邊界框將為“無邊界框”）。使用匈牙利匹配算法在N個查詢和N個標註之間創建最優的一對一映射。接下來，使用標準交叉熵（用於類別）和L1損失與廣義IoU損失的線性組合（用於邊界框）來優化模型的參數。

預期用途和侷限性

你可以使用該原始模型進行目標檢測。可查看模型中心以查找所有可用的可變形DETR模型。

訓練數據

可變形DETR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11.8萬張和5000張帶註釋圖像用於訓練和驗證。

BibTeX引用和引用信息

@misc{https://doi.org/10.48550/arxiv.2010.04159,
  doi = {10.48550/ARXIV.2010.04159},
  url = {https://arxiv.org/abs/2010.04159}, 
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  publisher = {arXiv},
  year = {2020},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

📄 許可證

本項目採用Apache - 2.0許可證。