Detr Resnet 50

🚀 DETR（端到端目標檢測）模型，採用ResNet - 50骨幹網絡

DETR（Detection Transformer）模型在COCO 2017目標檢測數據集（包含118k張帶標註圖像）上進行了端到端訓練。該模型由Carion等人在論文End-to-End Object Detection with Transformers中提出，並首次在此倉庫發佈。

聲明：發佈DETR的團隊並未為此模型撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

🚀 快速開始

你可以使用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DETR模型。

✨ 主要特性

• DETR模型是一個帶有卷積骨幹網絡的編碼器 - 解碼器Transformer。
• 在解碼器輸出之上添加了兩個頭部以進行目標檢測：一個用於類別標籤的線性層和一個用於邊界框的MLP（多層感知機）。
• 使用所謂的目標查詢來檢測圖像中的目標，對於COCO數據集，目標查詢數量設置為100。
• 訓練時使用“二分匹配損失”，並通過匈牙利匹配算法創建查詢與標註之間的最優一對一映射。

💻 使用示例

基礎用法

from transformers import DetrImageProcessor, DetrForObjectDetection
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)

# you can specify the revision tag if you don't want the timm dependency
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")

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 > 0.9
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[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}"
    )

此代碼應輸出：

Detected remote with confidence 0.998 at location [40.16, 70.81, 175.55, 117.98]
Detected remote with confidence 0.996 at location [333.24, 72.55, 368.33, 187.66]
Detected couch with confidence 0.995 at location [-0.02, 1.15, 639.73, 473.76]
Detected cat with confidence 0.999 at location [13.24, 52.05, 314.02, 470.93]
Detected cat with confidence 0.999 at location [345.4, 23.85, 640.37, 368.72]

目前，特徵提取器和模型均支持PyTorch。

📚 詳細文檔

模型描述

DETR模型是一個帶有卷積骨幹網絡的編碼器 - 解碼器Transformer。在解碼器輸出之上添加了兩個頭部以進行目標檢測：一個用於類別標籤的線性層和一個用於邊界框的MLP（多層感知機）。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，真實標註會填充到相同長度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”）。匈牙利匹配算法用於在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與廣義IoU損失的線性組合（用於邊界框）來優化模型參數。

預期用途和侷限性

你可以使用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DETR模型。

訓練數據

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/5k張用於訓練/驗證的帶標註圖像。

訓練過程

預處理

訓練/驗證期間圖像預處理的確切細節可在此處找到。

圖像會進行調整大小/縮放，使最短邊至少為800像素，最長邊至多為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

模型在16個V100 GPU上訓練了300個epoch，耗時3天，每個GPU處理4張圖像（因此總批量大小為64）。

評估結果

該模型在COCO 2017驗證集上實現了42.0的AP（平均精度）。有關評估結果的更多詳細信息，請參考原論文的表1。

BibTeX引用和引用信息

@article{DBLP:journals/corr/abs-2005-12872,
  author    = {Nicolas Carion and
               Francisco Massa and
               Gabriel Synnaeve and
               Nicolas Usunier and
               Alexander Kirillov and
               Sergey Zagoruyko},
  title     = {End-to-End Object Detection with Transformers},
  journal   = {CoRR},
  volume    = {abs/2005.12872},
  year      = {2020},
  url       = {https://arxiv.org/abs/2005.12872},
  archivePrefix = {arXiv},
  eprint    = {2005.12872},
  timestamp = {Thu, 28 May 2020 17:38:09 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2005-12872.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本項目採用Apache - 2.0許可證。