# 端到端目標檢測

DETR是一種基於Transformer的目標檢測模型，採用端到端的方式處理目標檢測任務，無需複雜的後處理步驟。

DETR-Resnet50是一個基於Transformer架構的語義分割模型，通過Core ML格式提供高效的移動端部署能力。

基於facebook/detr-resnet-50模型在cppe-5數據集上微調的目標檢測模型，專注於個人防護裝備檢測。

在DocLayNet數據集上訓練的可變形DETR模型，用於文檔佈局分析中的目標檢測任務，達到57.1的box mAP指標。

基於Transformer架構的端到端目標檢測模型，無需傳統目標檢測中的錨框設計

基於facebook/detr-resnet-50在cppe-5數據集上微調的物體檢測模型

基於DETR架構的文檔表格檢測模型，用於檢測文檔中的有邊框和無邊框表格

可變形DETR是一種端到端的目標檢測模型，結合了Transformer架構和可變形卷積的優勢，在COCO數據集上實現了高效的目標檢測。

DETR是一個使用Transformer架構的端到端目標檢測模型，採用ResNet-101作為骨幹網絡，在COCO數據集上訓練。

可變形DETR是一種基於Transformer的目標檢測模型，通過邊界框優化和兩階段檢測實現端到端訓練，適用於COCO數據集。

DETR是一個結合卷積神經網絡和Transformer架構的端到端目標檢測模型，支持全景分割任務。

可變形DETR是一種端到端目標檢測模型，使用Transformer架構和可變形注意力機制改進檢測性能。

DETR是一個結合卷積神經網絡與Transformer的端到端目標檢測模型，支持全景分割任務。

可變形DETR是一種端到端的目標檢測模型，結合了Transformer架構和可變形卷積的優勢，在COCO數據集上訓練而成。

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，並在COCO數據集上訓練。

DETR是一個使用Transformer進行端到端目標檢測的模型，採用ResNet-101作為骨幹網絡並在COCO數據集上訓練。

可變形檢測變換器（Deformable DETR）單尺度模型，專為目標檢測任務設計，採用端到端訓練方式，在COCO 2017數據集上表現優異。

DETR是一個基於Transformer架構的端到端目標檢測模型，使用ResNet-50作為骨幹網絡，在COCO數據集上訓練。