Dab Detr Resnet 50 Dc5 Pat3

🚀 模型ID的模型卡片

本模型卡片介紹了一款用於目標檢測的 🤗 Transformers 模型。該模型提出了一種使用動態錨框的新型查詢公式，解決了 DETR 訓練收斂慢的問題，在 MS - COCO 基準測試中取得了優異成績。

📚 詳細文檔

模型詳情

本文提出了一種用於 DETR（檢測變壓器）的新型查詢公式，該公式使用動態錨框，並對 DETR 中查詢的作用提供了更深入的理解。這種新公式直接使用框座標作為變壓器解碼器中的查詢，並逐層動態更新它們。使用框座標不僅有助於利用顯式位置先驗來提高查詢與特徵的相似度，消除 DETR 中訓練收斂慢的問題，還允許我們使用框的寬度和高度信息來調製位置注意力圖。這樣的設計明確了 DETR 中的查詢可以實現為逐層級聯地執行軟 ROI 池化。因此，在相同設置下，它在 DETR 類檢測模型中在 MS - COCO 基準測試中取得了最佳性能，例如，使用 ResNet50 - DC5 作為骨幹網絡在 50 個 epoch 內訓練的 AP 為 45.7%。我們還進行了廣泛的實驗來證實我們的分析並驗證我們方法的有效性。

模型描述

這是一個已發佈在 Hub 上的 🤗 Transformers 模型的卡片，該卡片是自動生成的。

模型來源

• 倉庫地址：https://github.com/IDEA - Research/DAB - DETR
• 論文地址：https://arxiv.org/abs/2201.12329

🚀 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 AutoModelForObjectDetection, AutoImageProcessor

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

image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50-dc5-pat3")
model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50-dc5-pat3")

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：

remote: 0.84 [39.72, 73.18, 177.02, 119.15]
cat: 0.82 [341.19, 23.94, 641.08, 369.33]
cat: 0.82 [11.81, 50.36, 318.21, 472.41]
remote: 0.81 [334.1, 77.0, 368.36, 189.37]
couch: 0.52 [0.22, 1.87, 640.21, 474.03]

🔧 技術細節

訓練數據

DAB - 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 118k 和 5k 張帶註釋的圖像用於訓練和驗證。

訓練過程

遵循 Deformable DETR 和 Conditional DETR，我們使用 300 個錨框作為查詢。我們還選擇具有最大分類對數的 300 個預測框和標籤進行評估。我們使用 α = 0.25、γ = 2 的焦點損失（Lin 等人，2020）進行分類。在二分匹配和最終損失計算中使用相同的損失項，但係數不同。在二分匹配中使用係數為 2.0 的分類損失，而在最終損失中使用係數為 1.0 的分類損失。在匹配和最終損失計算過程中，係數為 5.0 的 L1 損失和係數為 2.0 的 GIOU 損失（Rezatofighi 等人，2019）保持一致。所有模型在 16 個 GPU 上進行訓練，每個 GPU 處理 1 張圖像，並使用 AdamW（Loshchilov & Hutter，2018）進行訓練，權重衰減為 10−4。骨幹網絡和其他模塊的學習率分別設置為 10−5 和 10−4。我們的模型訓練 50 個 epoch，並在 40 個 epoch 後將學習率降低 0.1。所有模型都在 Nvidia A100 GPU 上進行訓練。我們使用批量大小為 64 搜索超參數，論文中的所有結果均以批量大小為 16 報告。

預處理

圖像被調整大小/縮放，使得最短邊至少為 480 像素且最多為 800 像素，長邊最多為 1333 像素，並在 RGB 通道上使用 ImageNet 均值（0.485, 0.456, 0.406）和標準差（0.229, 0.224, 0.225）進行歸一化。

訓練超參數

評估

模型架構與目標

DAB - DETR 概述。我們使用 CNN 骨幹網絡提取圖像空間特徵，然後使用變壓器編碼器來細化 CNN 特徵。然後，將包括位置查詢（錨框）和內容查詢（解碼器嵌入）的雙查詢輸入解碼器，以探測與錨框對應且與內容查詢具有相似模式的對象。雙查詢逐層更新，以逐漸接近目標真實對象。最後解碼器層的輸出用於通過預測頭預測帶標籤和框的對象，然後像在 DETR 中一樣進行二分圖匹配以計算損失。

📄 許可證

本模型使用 Apache - 2.0 許可證。

引用

如果您在研究中使用了該模型，請使用以下 BibTeX 引用：

@inproceedings{
  liu2022dabdetr,
  title={{DAB}-{DETR}: Dynamic Anchor Boxes are Better Queries for {DETR}},
  author={Shilong Liu and Feng Li and Hao Zhang and Xiao Yang and Xianbiao Qi and Hang Su and Jun Zhu and Lei Zhang},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=oMI9PjOb9Jl}
}

模型卡片作者

David Hajdu