Owlv2 Large Patch14 Ensemble

🚀 模型卡片：OWLv2

OWLv2模型（开放世界定位的缩写）是一个零样本的文本条件目标检测模型，能够使用一个或多个文本查询来查询图像。该模型使用CLIP作为其多模态主干，结合视觉和文本特征，实现开放词汇的目标检测。

📚 详细文档

模型详情

OWLv2模型（开放世界定位的缩写）由Matthias Minderer、Alexey Gritsenko、Neil Houlsby在论文Scaling Open-Vocabulary Object Detection中提出。与OWL - ViT一样，OWLv2是一个零样本的文本条件目标检测模型，可使用一个或多个文本查询来查询图像。

该模型使用CLIP作为其多模态主干，利用类似ViT的Transformer获取视觉特征，使用因果语言模型获取文本特征。为了将CLIP用于检测任务，OWL - ViT移除了视觉模型的最终标记池化层，并为每个Transformer输出标记附加了一个轻量级的分类和边界框预测头。通过用从文本模型获得的类名嵌入替换固定的分类层权重，实现了开放词汇分类。作者首先从头开始训练CLIP，然后在标准检测数据集上使用二分匹配损失对分类和边界框预测头进行端到端的微调。每张图像可以使用一个或多个文本查询来执行零样本的文本条件目标检测。

模型日期

2023年6月

模型类型

相关文档

• OWLv2论文

使用Transformers库调用模型

import requests
from PIL import Image
import torch

from transformers import Owlv2Processor, Owlv2ForObjectDetection

processor = Owlv2Processor.from_pretrained("google/owlv2-large-patch14-ensemble")
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-large-patch14-ensemble")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
texts = [["a photo of a cat", "a photo of a dog"]]
inputs = processor(text=texts, images=image, return_tensors="pt")
outputs = model(**inputs)

# Target image sizes (height, width) to rescale box predictions [batch_size, 2]
target_sizes = torch.Tensor([image.size[::-1]])
# Convert outputs (bounding boxes and class logits) to COCO API
results = processor.post_process_object_detection(outputs=outputs, threshold=0.1, target_sizes=target_sizes)

i = 0  # Retrieve predictions for the first image for the corresponding text queries
text = texts[i]
boxes, scores, labels = results[i]["boxes"], results[i]["scores"], results[i]["labels"]

# Print detected objects and rescaled box coordinates
for box, score, label in zip(boxes, scores, labels):
    box = [round(i, 2) for i in box.tolist()]
    print(f"Detected {text[label]} with confidence {round(score.item(), 3)} at location {box}")

🛠️ 模型使用

预期用途

该模型是为研究社区提供的研究成果。我们希望这个模型能让研究人员更好地理解和探索零样本、文本条件目标检测。我们也希望它能用于跨学科研究，探讨此类模型的潜在影响，特别是在那些通常需要识别训练期间标签不可用的对象的领域。

主要预期用途

这些模型的主要预期用户是AI研究人员。

我们主要设想研究人员将使用该模型来更好地理解计算机视觉模型的鲁棒性、泛化能力以及其他特性、偏差和局限性。

BibTeX引用信息

@misc{minderer2023scaling,
      title={Scaling Open-Vocabulary Object Detection}, 
      author={Matthias Minderer and Alexey Gritsenko and Neil Houlsby},
      year={2023},
      eprint={2306.09683},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 许可证

本模型采用Apache - 2.0许可证。