Owlv2 Base Patch16

🚀 模型卡片：OWLv2

OWLv2是一个零样本、文本条件的目标检测模型，可使用一个或多个文本查询对图像进行查询，为研究人员探索目标检测提供了有力工具。

🚀 快速开始

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-base-patch16")
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-base-patch16")

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}")

✨ 主要特性

• 零样本目标检测：与OWL - ViT类似，OWLv2是零样本、文本条件的目标检测模型，可使用一个或多个文本查询对图像进行查询。
• 多模态骨干网络：使用CLIP作为多模态骨干网络，通过类似ViT的Transformer获取视觉特征，使用因果语言模型获取文本特征。
• 开放词汇分类：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，实现开放词汇分类。

📚 详细文档

模型详情

OWLv2模型（Open - World Localization的缩写）由Matthias Minderer、Alexey Gritsenko、Neil Houlsby在论文Scaling Open - Vocabulary Object Detection中提出。该模型使用CLIP作为多模态骨干网络，其中图像编码器采用具有ViT - B/16 Transformer架构的CLIP骨干网络，文本编码器使用掩码自注意力Transformer。这些编码器通过对比损失进行训练，以最大化（图像，文本）对的相似度。CLIP骨干网络从头开始训练，并与边界框和类别预测头一起针对目标检测任务进行微调。

模型日期

2023年6月

模型类型

相关文档

• OWLv2论文

🔧 技术细节

为了将CLIP用于检测，OWL - ViT移除了视觉模型的最终令牌池化层，并为每个Transformer输出令牌附加了一个轻量级的分类和边界框头。作者首先从头开始训练CLIP，然后使用二分匹配损失在标准检测数据集上对分类和边界框头进行端到端的微调。可以使用每张图像的一个或多个文本查询来执行零样本、文本条件的目标检测。

📄 许可证

本模型采用Apache - 2.0许可证。

BibTeX引用

@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}
}

模型使用

预期用途

本模型旨在作为研究成果供研究社区使用。我们希望该模型能使研究人员更好地理解和探索零样本、文本条件的目标检测。我们也希望它可用于跨学科研究，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。

主要预期用户

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、泛化能力以及其他能力、偏差和限制。