Deformable Detr Box Supervised

🚀 可变形DETR模型（基于LVIS数据集训练）

本项目基于LVIS数据集（包含1203个类别）训练了可变形检测变换器（Deformable DETR）模型。该模型由Zhou等人在论文 Detecting Twenty-thousand Classes using Image-level Supervision 中提出，并首次在 此代码库 中发布。本模型对应于原代码库中发布的 “Box-Supervised_DeformDETR_R50_4x” 检查点。

免责声明

发布Detic的团队并未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。

🚀 快速开始

你可以使用此原始模型进行目标检测。可在 模型中心 查找所有可用的可变形DETR模型。

✨ 主要特性

• 模型架构：DETR模型是一个带有卷积骨干网络的编码器 - 解码器变换器。在解码器输出之上添加了两个头部以进行目标检测：一个用于类别标签的线性层和一个用于边界框的多层感知机（MLP）。模型使用所谓的目标查询来检测图像中的目标。每个目标查询在图像中寻找特定的目标。对于COCO数据集，目标查询的数量设置为100。
• 训练损失：模型使用 “二分匹配损失” 进行训练。将N = 100个目标查询的预测类别和边界框与真实标注进行比较，标注会填充到相同的长度N（因此，如果图像仅包含4个目标，96个标注的类别将为 “无目标”，边界框为 “无边界框”）。使用匈牙利匹配算法在N个查询和N个标注之间创建最优的一对一映射。然后，使用标准的交叉熵（用于类别）和L1与广义IoU损失的线性组合（用于边界框）来优化模型的参数。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
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 = AutoImageProcessor.from_pretrained("facebook/deformable-detr-box-supervised")
model = DeformableDetrForObjectDetection.from_pretrained("facebook/deformable-detr-box-supervised")

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 > 0.7
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[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}"
    )

📚 详细文档

评估结果

此模型在LVIS数据集上实现了31.7的边界框平均精度均值（box mAP）和21.4的稀有类平均精度均值（mAP）。

BibTeX引用信息

@misc{https://doi.org/10.48550/arxiv.2010.04159,
  doi = {10.48550/ARXIV.2010.04159},
  url = {https://arxiv.org/abs/2010.04159}, 
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  publisher = {arXiv},
  year = {2020},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

📄 许可证

本模型使用Apache 2.0许可证。