Detr Resnet 50 Dc5 Panoptic

🚀 DETR（端到端目標檢測）模型，採用ResNet - 50骨幹網絡（膨脹C5階段）

DETR（Detection Transformer）模型在COCO 2017全景數據集（11.8萬張標註圖像）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。

免責聲明：發佈DETR的團隊未為此模型撰寫模型卡片，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全景分割。查看模型中心以查找所有可用的DETR模型。

以下是使用此模型的示例代碼：

from transformers import DetrFeatureExtractor, DetrForSegmentation
from PIL import Image
import requests

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

feature_extractor = DetrFeatureExtractor.from_pretrained('facebook/detr-resnet-50-dc5-panoptic')
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-50-dc5-panoptic')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# 模型預測COCO類別、邊界框和掩碼
logits = outputs.logits
bboxes = outputs.pred_boxes
masks = outputs.pred_masks

目前，特徵提取器和模型均支持PyTorch。

✨ 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（多層感知器）。
• 該模型使用所謂的對象查詢來檢測圖像中的對象，每個對象查詢在圖像中尋找特定的對象。對於COCO數據集，對象查詢的數量設置為100。
• 模型使用“二分匹配損失”進行訓練，通過匈牙利匹配算法在查詢和標註之間創建最佳的一對一映射，然後使用標準交叉熵（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。
• DETR可以自然地擴展到全景分割任務，只需在解碼器輸出之上添加一個掩碼頭部。

📚 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（多層感知器）。該模型使用所謂的對象查詢來檢測圖像中的對象，每個對象查詢在圖像中尋找特定的對象。對於COCO數據集，對象查詢的數量設置為100。

模型使用“二分匹配損失”進行訓練：將N = 100個對象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，如果圖像僅包含4個對象，96個標註的類別將為“無對象”，邊界框為“無邊界框”）。使用匈牙利匹配算法在每個N個查詢和每個N個標註之間創建最佳的一對一映射。接下來，使用標準交叉熵（用於類別）和L1與廣義IoU損失的線性組合（用於邊界框）來優化模型的參數。

通過在解碼器輸出之上添加一個掩碼頭部，DETR可以自然地擴展到全景分割任務。

預期用途和限制

你可以使用該原始模型進行全景分割。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全景數據集上進行訓練，該數據集分別包含11.8萬張和5000張用於訓練和驗證的標註圖像。

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

該模型在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驗證集上取得了以下結果：邊界框平均精度（AP）為40.2，分割平均精度（AP）為31.9，全景質量（PQ）為44.6。

有關評估結果的更多詳細信息，請參考原論文的表5。

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。