Detr Finetuned Chess

🚀 DETR (端到端目标检测) 模型：基于ResNet - 50骨干网络在棋子数据集上微调

本模型是基于ResNet - 50骨干网络的DETR（端到端目标检测）模型，在棋子识别数据集上进行了微调，可用于棋子识别。

🚀 快速开始

使用以下代码即可开始使用该模型：

from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image
import requests

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

processor = DetrImageProcessor.from_pretrained("aesat/detr-finetuned-chess", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-finetuned-chess", revision="no_timm")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# convert outputs (bounding boxes and class logits) to COCO API
# let's only keep detections with score > 0.9
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
            f"Detected {model.config.id2label[label.item()]} with confidence "
            f"{round(score.item(), 3)} at location {box}"
    )

✨ 主要特性

• 端到端训练：DETR模型在棋子识别数据集上进行了端到端的训练。
• 编码器 - 解码器架构：该模型是一个带有卷积骨干网络的编码器 - 解码器Transformer。
• 目标查询机制：使用目标查询来检测图像中的对象，每个目标查询负责查找图像中的特定对象。

📚 详细文档

模型详情

模型描述

DETR模型是一个带有卷积骨干网络的编码器 - 解码器Transformer。为了进行目标检测，在解码器输出的基础上添加了两个头部：一个用于类别标签的线性层和一个用于边界框的MLP（多层感知器）。该模型使用所谓的目标查询来检测图像中的对象，对于COCO数据集，目标查询的数量设置为100。

• 开发者：[待补充更多信息]
• 资助方（可选）：[待补充更多信息]
• 共享方（可选）：[待补充更多信息]
• 模型类型：[待补充更多信息]
• 语言（NLP）：[待补充更多信息]
• 许可证：[待补充更多信息]
• 微调基础模型（可选）：[待补充更多信息]

模型来源（可选）

• 仓库：[待补充更多信息]
• 论文（可选）：[待补充更多信息]
• 演示（可选）：[待补充更多信息]

使用场景

如何使用

上述快速开始部分的代码展示了在不进行微调或集成到更大的生态系统/应用程序中的情况下如何使用该模型。

下游使用（可选）

[待补充更多信息]

超出适用范围的使用

[待补充更多信息]

偏差、风险和局限性

[待补充更多信息]

建议

用户（直接用户和下游用户）应该了解该模型的风险、偏差和局限性。如需进一步建议，还需更多信息。

训练详情

训练数据

[待补充更多信息]

训练过程

预处理（可选）

[待补充更多信息]

训练超参数

• 训练机制：[待补充更多信息]（如fp32、fp16混合精度、bf16混合精度、bf16非混合精度、fp16非混合精度、fp8混合精度）

速度、大小、时间（可选）

[待补充更多信息]

评估

测试数据、因素和指标

测试数据

[待补充更多信息]

因素

[待补充更多信息]

指标

[待补充更多信息]

结果

[待补充更多信息]

总结

[待补充更多信息]

模型检查（可选）

[待补充更多信息]

环境影响

可以使用Lacoste等人（2019）提出的机器学习影响计算器来估算碳排放。

• 硬件类型：[待补充更多信息]
• 使用时长：[待补充更多信息]
• 云服务提供商：[待补充更多信息]
• 计算区域：[待补充更多信息]
• 碳排放：[待补充更多信息]

技术规格（可选）

模型架构和目标

[待补充更多信息]

计算基础设施

硬件

[待补充更多信息]

软件

[待补充更多信息]

引用（可选）

BibTeX

[待补充更多信息]

APA

[待补充更多信息]

术语表（可选）

[待补充更多信息]

更多信息（可选）

[待补充更多信息]

模型卡片作者（可选）

[待补充更多信息]

模型卡片联系方式

[待补充更多信息]

📄 许可证

本模型使用的许可证为apache - 2.0。