Deformable Detr DocLayNet

🚀 基於DocLayNet訓練的可變形DETR模型

本模型為基於DocLayNet（包含11個類別、8萬頁標註數據）訓練的可變形檢測變換器（Deformable DEtection TRansformer，簡稱Deformable DETR）。

你可以在無服務器的 Aryn分區服務 中使用該模型。點擊 此處 開啟使用之旅。

🚀 快速開始

你可以使用此原始模型進行目標檢測。可在 模型中心 查找所有可用的可變形DETR模型。

💻 使用示例

基礎用法

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
import torch
from PIL import Image
import requests

url = "https://huggingface.co/Aryn/deformable-detr-DocLayNet/resolve/main/examples/doclaynet_example_1.png"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("Aryn/deformable-detr-DocLayNet")
model = DeformableDetrForObjectDetection.from_pretrained("Aryn/deformable-detr-DocLayNet")

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}"
    )

✨ 主要特性

DETR模型是一個帶有卷積骨幹網絡的編解碼器變換器。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多層感知器（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。

模型使用“二分匹配損失”進行訓練：將N = 100個目標查詢的預測類別和邊界框與真實標註進行比較，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，96個標註的類別將為“無目標”，邊界框為“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，使用標準的交叉熵（用於類別）和L1損失與廣義交併比損失的線性組合（用於邊界框）來優化模型的參數。

📚 詳細文檔

評估結果

該模型在DocLayNet數據集上的邊界框平均精度均值（box mAP）達到了57.1。

訓練數據

可變形DETR模型基於DocLayNet數據集進行訓練。該數據集由Pfitzmann等人在論文 DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis 中提出，並首次在 此倉庫 中發佈。

BibTeX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。