Dab Detr Resnet 50 Dc5

🚀 模型ID的模型卡片

本模型卡片介绍了一个用于目标检测的 🤗 Transformers 模型，该模型在目标检测任务上表现出色，通过创新的查询机制提升了检测性能。

🚀 快速开始

模型使用步骤

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

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}")

此代码的输出示例如下：

cat: 0.89 [344.17, 20.93, 640.53, 371.3]
cat: 0.88 [16.19, 53.44, 315.77, 469.12]
remote: 0.87 [40.35, 73.28, 175.18, 117.59]
couch: 0.60 [0.1, 0.88, 640.08, 476.5]
remote: 0.55 [333.52, 77.34, 369.16, 191.01]

✨ 主要特性

本文提出了一种使用动态锚框的新型查询机制，用于 DETR（DEtection TRansformer），并深入探讨了查询在 DETR 中的作用。该机制直接使用框坐标作为 Transformer 解码器中的查询，并逐层动态更新。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 中的训练收敛慢问题，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。这种设计使得 DETR 中的查询可以实现为逐层级联的软 ROI 池化。在相同设置下，该模型在 MS-COCO 基准测试中取得了 DETR 类检测模型中的最佳性能，例如，使用 ResNet50-DC5 作为骨干网络在 50 个 epoch 内训练得到的 AP 为 45.7%。

📦 模型详情

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

🔧 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/5k 张用于训练/验证的标注图像。

训练过程

遵循 Deformable DETR 和 Conditional DETR 的方法，我们使用 300 个锚点作为查询。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。系数为 5.0 的 L1 损失和系数为 2.0 的 GIOU 损失（Rezatofighi 等人，2019）在匹配和最终损失计算过程中保持一致。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。我们训练模型 50 个 epoch，并在 40 个 epoch 后将学习率降低 0.1。所有模型在 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 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，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 Transformer 编码器对 CNN 特征进行细化。然后，将包括位置查询（锚框）和内容查询（解码器嵌入）的双查询输入到解码器中，以探测与锚点对应的对象，并与内容查询具有相似的模式。双查询逐层更新，以逐渐接近目标真实对象。最终解码器层的输出用于通过预测头预测带有标签和框的对象，然后进行二分图匹配以计算损失，如 DETR 中所示。

📄 引用

BibTeX：

@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