Detr Resnet 101 Panoptic

🚀 DETR（端到端目標檢測）模型，採用ResNet - 101骨幹網絡

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。

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

🚀 快速開始

你可以使用此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。

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-101-panoptic')
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-101-panoptic')

# prepare inputs for the model
inputs = feature_extractor(images=image, return_tensors="pt")

# forward pass
outputs = model(**inputs)

# use the `post_process_panoptic` method of `DetrFeatureExtractor` to convert to COCO format
processed_sizes = torch.as_tensor(inputs["pixel_values"].shape[-2:]).unsqueeze(0)
result = feature_extractor.post_process_panoptic(outputs, processed_sizes)[0]

# the segmentation is stored in a special-format png
panoptic_seg = Image.open(io.BytesIO(result["png_string"]))
panoptic_seg = numpy.array(panoptic_seg, dtype=numpy.uint8)
# retrieve the ids corresponding to each mask
panoptic_seg_id = rgb_to_id(panoptic_seg)

目前，特徵提取器和模型均支持PyTorch。

✨ 主要特性

• 端到端檢測：DETR模型通過端到端的方式進行目標檢測，避免了傳統目標檢測方法中複雜的後處理步驟。
• 可擴展性：該模型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。
• 基於Transformer架構：採用編碼器 - 解碼器Transformer架構，結合卷積骨幹網絡，能夠更好地捕捉圖像中的全局信息。

📦 安裝指南

文檔未提供安裝步驟，可參考Hugging Face相關庫的安裝說明進行安裝，例如transformers庫可以使用以下命令安裝：

pip install transformers

💻 使用示例

基礎用法

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-101-panoptic')
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-101-panoptic')

# prepare inputs for the model
inputs = feature_extractor(images=image, return_tensors="pt")

# forward pass
outputs = model(**inputs)

# use the `post_process_panoptic` method of `DetrFeatureExtractor` to convert to COCO format
processed_sizes = torch.as_tensor(inputs["pixel_values"].shape[-2:]).unsqueeze(0)
result = feature_extractor.post_process_panoptic(outputs, processed_sizes)[0]

# the segmentation is stored in a special-format png
panoptic_seg = Image.open(io.BytesIO(result["png_string"]))
panoptic_seg = numpy.array(panoptic_seg, dtype=numpy.uint8)
# retrieve the ids corresponding to each mask
panoptic_seg_id = rgb_to_id(panoptic_seg)

📚 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。為了進行目標檢測，在解碼器輸出之上添加了兩個頭部：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，真實標註會填充到相同的長度N（因此，如果一張圖像僅包含4個對象，那麼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）來優化模型的參數。

預期用途和侷限性

可以使用此原始模型進行全景分割。

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以在此處找到。

圖像會進行調整大小/縮放，使得最短邊至少為800像素，最長邊最多為1333像素，並使用ImageNet的均值（0.485, 0.456, 0.406）和標準差（0.229, 0.224, 0.225）在RGB通道上進行歸一化。

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驗證集上取得了以下結果：邊界框平均精度（AP）為40.1，分割平均精度（AP）為33，全景質量（PQ）為45.1。

有關評估結果的更多詳細信息，請參考原論文中的表5。

🔧 技術細節

• 模型架構：DETR模型由卷積骨幹網絡、編碼器 - 解碼器Transformer、類別標籤線性層和邊界框MLP組成。卷積骨幹網絡用於提取圖像的特徵，Transformer用於處理這些特徵並生成對象查詢，線性層和MLP用於預測對象的類別和邊界框。
• 損失函數：使用“二分匹配損失”，結合交叉熵損失和L1與廣義IoU損失的線性組合，確保模型能夠準確地預測對象的類別和邊界框。
• 訓練策略：在多個GPU上進行分佈式訓練，使用特定的圖像預處理方法和批量大小，以提高訓練效率和模型性能。

📄 許可證

本模型採用Apache - 2.0許可證。

BibTeX引用

@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}
}

📋 信息表格