Dfine Small Coco

🚀 D-FINE

D-FINE是一個強大的即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。該模型適用於自動駕駛、監控系統、機器人技術和零售分析等多種場景。

🚀 快速開始

安裝

你可以通過以下命令安裝transformers庫：

pip install transformers

使用示例

import torch
import requests

from PIL import Image
from transformers import DFineForObjectDetection, AutoImageProcessor

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

image_processor = AutoImageProcessor.from_pretrained("ustc-community/dfine-small-coco")
model = DFineForObjectDetection.from_pretrained("ustc-community/dfine-small-coco")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

✨ 主要特性

模型概述

D-FINE模型由Yansong Peng、Hebei Li、Peixi Wu、Yueyi Zhang、Xiaoyan Sun和Feng Wu在論文D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement中提出。該模型由VladOS95-cyber在@qubvel-hf的幫助下貢獻，是D-FINE在HF transformers庫中的實現。

模型訓練數據集

• coco：模型在COCO數據集上訓練。
• obj365：模型在Object365數據集上訓練。
• obj2coco：模型先在Object365數據集上訓練，然後在COCO數據集上進行微調。

性能表現

D-FINE是一個強大的即時目標檢測器，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。它主要由兩個關鍵組件組成：細粒度分佈細化（FDR）和全局最優定位自蒸餾（GO-LSD）。

應用場景

D-FINE非常適合在各種應用中進行即時目標檢測，如自動駕駛、監控系統、機器人技術和零售分析。其增強的靈活性和易於部署的設計使其適用於邊緣設備和大規模系統，同時確保在動態的現實環境中具有高精度和高速度。

🔧 技術細節

訓練數據

D-FINE在COCO（Lin等人 [2014]）的train2017數據集上進行訓練，並在COCO val2017數據集上進行驗證。我們報告了標準的AP指標（在從0.50 - 0.95的均勻採樣IoU閾值上進行平均，步長為0.05），以及在實際場景中常用的APval5000指標。

📄 許可證

本項目採用Apache-2.0許可證。