Detr Resnet 50

🚀 基於Transformers.js的目標檢測模型

本項目將 facebook/detr-resnet-50 模型轉換為 ONNX 權重，以兼容 Transformers.js 庫，可用於便捷地在網頁端進行目標檢測任務。

🚀 快速開始

安裝依賴

如果你還未安裝 Transformers.js JavaScript 庫，可以通過以下命令從 NPM 進行安裝：

npm i @huggingface/transformers

運行示例

以下示例展示瞭如何使用 Xenova/detr-resnet-50 模型進行目標檢測：

import { pipeline } from '@huggingface/transformers';

const detector = await pipeline('object-detection', 'Xenova/detr-resnet-50');

const img = 'https://huggingface.co/datasets/Xenova/transformers.js-docs/resolve/main/cats.jpg';
const output = await detector(img, { threshold: 0.9 });
// [{
//   "score": 0.9976370930671692,
//   "label": "remote",
//   "box": { "xmin": 31, "ymin": 68, "xmax": 190, "ymax": 118 }
// },
// ...
// {
//   "score": 0.9984092116355896,
//   "label": "cat",
//   "box": { "xmin": 331, "ymin": 19, "xmax": 649, "ymax": 371 }
// }]

💻 使用示例

基礎用法

上述代碼示例展示了使用 Xenova/detr-resnet-50 模型進行目標檢測的基本流程。通過 pipeline 函數加載模型，然後傳入待檢測的圖像 URL 進行檢測。

高級用法

你可以根據需求調整 threshold 參數，以控制檢測結果的置信度閾值。較高的閾值會過濾掉置信度較低的檢測結果，使輸出更加精確。

📚 詳細文檔

模型信息

演示體驗

你可以點擊 這裡 在線測試該模型，或者點擊 此處 一鍵創建你自己的目標檢測演示項目！

注意事項

⚠️ 重要提示

目前為 ONNX 權重單獨創建倉庫是一種臨時解決方案，直到 WebML 得到更廣泛的應用。如果你想讓你的模型適用於網頁端，建議使用 🤗 Optimum 將模型轉換為 ONNX 格式，並按照本倉庫的結構進行組織（將 ONNX 權重放在名為 onnx 的子文件夾中）。