Dab Detr Resnet 50 Dc5 Pat3

🚀 模型ID的模型卡片

本模型卡片介绍了一款用于目标检测的 🤗 Transformers 模型。该模型提出了一种使用动态锚框的新型查询公式，解决了 DETR 训练收敛慢的问题，在 MS - COCO 基准测试中取得了优异成绩。

📚 详细文档

模型详情

本文提出了一种用于 DETR（检测变压器）的新型查询公式，该公式使用动态锚框，并对 DETR 中查询的作用提供了更深入的理解。这种新公式直接使用框坐标作为变压器解码器中的查询，并逐层动态更新它们。使用框坐标不仅有助于利用显式位置先验来提高查询与特征的相似度，消除 DETR 中训练收敛慢的问题，还允许我们使用框的宽度和高度信息来调制位置注意力图。这样的设计明确了 DETR 中的查询可以实现为逐层级联地执行软 ROI 池化。因此，在相同设置下，它在 DETR 类检测模型中在 MS - COCO 基准测试中取得了最佳性能，例如，使用 ResNet50 - DC5 作为骨干网络在 50 个 epoch 内训练的 AP 为 45.7%。我们还进行了广泛的实验来证实我们的分析并验证我们方法的有效性。

模型描述

这是一个已发布在 Hub 上的 🤗 Transformers 模型的卡片，该卡片是自动生成的。

模型来源

• 仓库地址：https://github.com/IDEA - Research/DAB - DETR
• 论文地址：https://arxiv.org/abs/2201.12329

🚀 快速开始

使用以下代码开始使用该模型：

import torch
import requests

from PIL import Image
from transformers import AutoModelForObjectDetection, AutoImageProcessor

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

image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50-dc5-pat3")
model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50-dc5-pat3")

inputs = image_processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")

这段代码的输出应该如下：

remote: 0.84 [39.72, 73.18, 177.02, 119.15]
cat: 0.82 [341.19, 23.94, 641.08, 369.33]
cat: 0.82 [11.81, 50.36, 318.21, 472.41]
remote: 0.81 [334.1, 77.0, 368.36, 189.37]
couch: 0.52 [0.22, 1.87, 640.21, 474.03]

🔧 技术细节

训练数据

DAB - DETR 模型在 COCO 2017 目标检测 数据集上进行训练，该数据集分别包含 118k 和 5k 张带注释的图像用于训练和验证。

训练过程

遵循 Deformable DETR 和 Conditional DETR，我们使用 300 个锚框作为查询。我们还选择具有最大分类对数的 300 个预测框和标签进行评估。我们使用 α = 0.25、γ = 2 的焦点损失（Lin 等人，2020）进行分类。在二分匹配和最终损失计算中使用相同的损失项，但系数不同。在二分匹配中使用系数为 2.0 的分类损失，而在最终损失中使用系数为 1.0 的分类损失。在匹配和最终损失计算过程中，系数为 5.0 的 L1 损失和系数为 2.0 的 GIOU 损失（Rezatofighi 等人，2019）保持一致。所有模型在 16 个 GPU 上进行训练，每个 GPU 处理 1 张图像，并使用 AdamW（Loshchilov & Hutter，2018）进行训练，权重衰减为 10−4。骨干网络和其他模块的学习率分别设置为 10−5 和 10−4。我们的模型训练 50 个 epoch，并在 40 个 epoch 后将学习率降低 0.1。所有模型都在 Nvidia A100 GPU 上进行训练。我们使用批量大小为 64 搜索超参数，论文中的所有结果均以批量大小为 16 报告。

预处理

图像被调整大小/缩放，使得最短边至少为 480 像素且最多为 800 像素，长边最多为 1333 像素，并在 RGB 通道上使用 ImageNet 均值（0.485, 0.456, 0.406）和标准差（0.229, 0.224, 0.225）进行归一化。

训练超参数

评估

模型架构与目标

DAB - DETR 概述。我们使用 CNN 骨干网络提取图像空间特征，然后使用变压器编码器来细化 CNN 特征。然后，将包括位置查询（锚框）和内容查询（解码器嵌入）的双查询输入解码器，以探测与锚框对应且与内容查询具有相似模式的对象。双查询逐层更新，以逐渐接近目标真实对象。最后解码器层的输出用于通过预测头预测带标签和框的对象，然后像在 DETR 中一样进行二分图匹配以计算损失。

📄 许可证

本模型使用 Apache - 2.0 许可证。

引用

如果您在研究中使用了该模型，请使用以下 BibTeX 引用：

@inproceedings{
  liu2022dabdetr,
  title={{DAB}-{DETR}: Dynamic Anchor Boxes are Better Queries for {DETR}},
  author={Shilong Liu and Feng Li and Hao Zhang and Xiao Yang and Xianbiao Qi and Hang Su and Jun Zhu and Lei Zhang},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=oMI9PjOb9Jl}
}

模型卡片作者

David Hajdu