Rtdetr R101vd Coco O365

🚀 RT-DETR 模型卡

RT-DETR 是一种实时端到端目标检测模型，它解决了现有目标检测模型在速度和准确性之间难以平衡的问题。该模型通过设计高效混合编码器和提出不确定性最小查询选择方法，在速度和准确性上均超越了先前先进的 YOLO 模型，并且支持灵活的速度调整以适应各种场景。

🚀 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 RTDetrForObjectDetection, RTDetrImageProcessor

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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r101vd_coco_o365")

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}")

此代码应输出：

sofa: 0.97 [0.14, 0.38, 640.13, 476.21]
cat: 0.96 [343.38, 24.28, 640.14, 371.5]
cat: 0.96 [13.23, 54.18, 318.98, 472.22]
remote: 0.95 [40.11, 73.44, 175.96, 118.48]
remote: 0.92 [333.73, 76.58, 369.97, 186.99]

✨ 主要特性

• 解决速度与准确性平衡问题：YOLO 系列在实时目标检测中很受欢迎，但速度和准确性受 NMS 影响；端到端 Transformer 检测器（DETRs）虽可消除 NMS，但计算成本高。RT-DETR 是首个实时端到端目标检测器，解决了这一困境。
• 分两步构建模型：借鉴先进的 DETR，先在保持准确性的同时提高速度，再在保持速度的同时提高准确性。
• 高效混合编码器：通过解耦尺度内交互和跨尺度融合，快速处理多尺度特征，提高速度。
• 不确定性最小查询选择：为解码器提供高质量的初始查询，提高准确性。
• 灵活的速度调整：通过调整解码器层数，支持灵活的速度调整，无需重新训练即可适应各种场景。
• 性能超越：RT-DETR-R50 / R101 在 COCO 上达到 53.1% / 54.3% 的 AP，在 T4 GPU 上达到 108 / 74 FPS，在速度和准确性上均超越先前先进的 YOLO 模型；缩放后的 RT-DETR 也优于更轻量级的 YOLO 检测器；RT-DETR-R50 在准确性上比 DINO-R50 高 2.2% AP，FPS 约高 21 倍。

📦 安装指南

文档未提供安装步骤，故跳过此章节。

📚 详细文档

模型详情

YOLO 系列由于在速度和准确性之间取得了合理的平衡，已成为实时目标检测最流行的框架。然而，我们观察到 YOLO 的速度和准确性受到 NMS 的负面影响。最近，端到端基于 Transformer 的检测器（DETRs）提供了一种消除 NMS 的替代方案。然而，高计算成本限制了它们的实用性，并阻碍了它们充分发挥排除 NMS 的优势。在本文中，我们提出了实时检测 Transformer（RT-DETR），据我们所知，这是第一个解决上述困境的实时端到端目标检测器。我们分两步构建 RT-DETR，借鉴先进的 DETR：首先，我们专注于在提高速度的同时保持准确性，然后在保持速度的同时提高准确性。具体来说，我们设计了一个高效的混合编码器，通过解耦尺度内交互和跨尺度融合来快速处理多尺度特征，以提高速度。然后，我们提出了不确定性最小查询选择，为解码器提供高质量的初始查询，从而提高准确性。此外，RT-DETR 支持通过调整解码器层数进行灵活的速度调整，以适应各种场景而无需重新训练。我们的 RT-DETR-R50 / R101 在 COCO 上达到 53.1% / 54.3% 的 AP，在 T4 GPU 上达到 108 / 74 FPS，在速度和准确性上均优于先前先进的 YOLO。我们还开发了缩放后的 RT-DETR，优于更轻量级的 YOLO 检测器（S 和 M 模型）。此外，RT-DETR-R50 在准确性上比 DINO-R50 高 2.2% AP，FPS 约高 21 倍。在使用 Objects365 进行预训练后，RT-DETR-R50 / R101 达到 55.3% / 56.2% 的 AP。项目页面：https URL。

这是一个已推送至 Hub 的 🤗 transformers 模型的模型卡。

• 开发者：Yian Zhao 和 Sangbum Choi
• 资助方：中国国家重点研发计划（No.2022ZD0118201）、中国自然科学基金（No.61972217、32071459、62176249、62006133、62271465）以及中国深圳医学研究基金（No.B2302037）。
• 共享者：Sangbum Choi
• 模型类型：RT-DETR
• 许可证：Apache-2.0

模型来源

• HF 文档：RT-DETR
• 仓库：https://github.com/lyuwenyu/RT-DETR
• 论文：https://arxiv.org/abs/2304.08069
• 演示：RT-DETR 跟踪

训练详情

训练数据

RTDETR 模型在 COCO 2017 目标检测 数据集上进行训练，该数据集分别由 118k/5k 张带注释的图像用于训练/验证。

训练过程

我们在 COCO 和 Objects365 数据集上进行实验，其中 RT-DETR 在 COCO train2017 上训练，并在 COCO val2017 数据集上验证。我们报告标准的 COCO 指标，包括 AP（在从 0.50 - 0.95 以 0.05 为步长均匀采样的 IoU 阈值上平均）、AP50、AP75 以及不同尺度的 AP：APS、APM、APL。

预处理

图像被调整为 640x640 像素，并使用 image_mean=[0.485, 0.456, 0.406] 和 image_std=[0.229, 0.224, 0.225] 进行重新缩放。

训练超参数

• 训练机制：

评估

模型架构和目标

RT-DETR 概述。我们将骨干网络最后三个阶段的特征输入到编码器中。高效混合编码器通过基于注意力的尺度内特征交互（AIFI）和基于 CNN 的跨尺度特征融合（CCFF）将多尺度特征转换为图像特征序列。然后，不确定性最小查询选择选择固定数量的编码器特征作为解码器的初始目标查询。最后，带有辅助预测头的解码器迭代优化目标查询以生成类别和边界框。

引用

BibTeX：

@misc{lv2023detrs,
      title={DETRs Beat YOLOs on Real-time Object Detection},
      author={Yian Zhao and Wenyu Lv and Shangliang Xu and Jinman Wei and Guanzhong Wang and Qingqing Dang and Yi Liu and Jie Chen},
      year={2023},
      eprint={2304.08069},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

模型卡作者

• Sangbum Choi
• Pavel Iakubovskii

🔧 技术细节

文档未提供具体的技术实现细节（>50 字），故跳过此章节。

📄 许可证

本模型使用的许可证为 Apache-2.0。