Detr Resnet 50

🚀 DETR（端到端目标检测）模型，采用ResNet - 50骨干网络

DETR（Detection Transformer）模型在COCO 2017目标检测数据集（包含118k张带标注图像）上进行了端到端训练。该模型由Carion等人在论文End-to-End Object Detection with Transformers中提出，并首次在此仓库发布。

声明：发布DETR的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

🚀 快速开始

你可以使用原始模型进行目标检测。可查看模型中心以查找所有可用的DETR模型。

✨ 主要特性

• DETR模型是一个带有卷积骨干网络的编码器 - 解码器Transformer。
• 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MLP（多层感知机）。
• 使用所谓的目标查询来检测图像中的目标，对于COCO数据集，目标查询数量设置为100。
• 训练时使用“二分匹配损失”，并通过匈牙利匹配算法创建查询与标注之间的最优一对一映射。

💻 使用示例

基础用法

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)

# you can specify the revision tag if you don't want the timm dependency
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", 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}"
    )

此代码应输出：

Detected remote with confidence 0.998 at location [40.16, 70.81, 175.55, 117.98]
Detected remote with confidence 0.996 at location [333.24, 72.55, 368.33, 187.66]
Detected couch with confidence 0.995 at location [-0.02, 1.15, 639.73, 473.76]
Detected cat with confidence 0.999 at location [13.24, 52.05, 314.02, 470.93]
Detected cat with confidence 0.999 at location [345.4, 23.85, 640.37, 368.72]

目前，特征提取器和模型均支持PyTorch。

📚 详细文档

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。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MLP（多层感知机）。该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，目标查询数量设置为100。

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，真实标注会填充到相同长度N（因此，如果一张图像仅包含4个目标，96个标注的类别将为“无目标”，边界框为“无边界框”）。匈牙利匹配算法用于在N个查询和N个标注之间创建最优的一对一映射。接下来，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）来优化模型参数。

预期用途和局限性

你可以使用原始模型进行目标检测。可查看模型中心以查找所有可用的DETR模型。

训练数据

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/验证的带标注图像。

训练过程

预处理

训练/验证期间图像预处理的确切细节可在此处找到。

图像会进行调整大小/缩放，使最短边至少为800像素，最长边至多为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

模型在16个V100 GPU上训练了300个epoch，耗时3天，每个GPU处理4张图像（因此总批量大小为64）。

评估结果

该模型在COCO 2017验证集上实现了42.0的AP（平均精度）。有关评估结果的更多详细信息，请参考原论文的表1。

BibTeX引用和引用信息

@article{DBLP:journals/corr/abs-2005-12872,
  author    = {Nicolas Carion and
               Francisco Massa and
               Gabriel Synnaeve and
               Nicolas Usunier and
               Alexander Kirillov and
               Sergey Zagoruyko},
  title     = {End-to-End Object Detection with Transformers},
  journal   = {CoRR},
  volume    = {abs/2005.12872},
  year      = {2020},
  url       = {https://arxiv.org/abs/2005.12872},
  archivePrefix = {arXiv},
  eprint    = {2005.12872},
  timestamp = {Thu, 28 May 2020 17:38:09 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2005-12872.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 许可证

本项目采用Apache - 2.0许可证。