Detr Resnet 50 Dc5 Panoptic

🚀 DETR（端到端目标检测）模型，采用ResNet - 50骨干网络（膨胀C5阶段）

DETR（Detection Transformer）模型在COCO 2017全景数据集（11.8万张标注图像）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。

免责声明：发布DETR的团队未为此模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

🚀 快速开始

你可以使用该原始模型进行全景分割。查看模型中心以查找所有可用的DETR模型。

以下是使用此模型的示例代码：

from transformers import DetrFeatureExtractor, DetrForSegmentation
from PIL import Image
import requests

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

feature_extractor = DetrFeatureExtractor.from_pretrained('facebook/detr-resnet-50-dc5-panoptic')
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-50-dc5-panoptic')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
# 模型预测COCO类别、边界框和掩码
logits = outputs.logits
bboxes = outputs.pred_boxes
masks = outputs.pred_masks

目前，特征提取器和模型均支持PyTorch。

✨ 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（多层感知器）。
• 该模型使用所谓的对象查询来检测图像中的对象，每个对象查询在图像中寻找特定的对象。对于COCO数据集，对象查询的数量设置为100。
• 模型使用“二分匹配损失”进行训练，通过匈牙利匹配算法在查询和标注之间创建最佳的一对一映射，然后使用标准交叉熵（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。
• DETR可以自然地扩展到全景分割任务，只需在解码器输出之上添加一个掩码头部。

📚 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（多层感知器）。该模型使用所谓的对象查询来检测图像中的对象，每个对象查询在图像中寻找特定的对象。对于COCO数据集，对象查询的数量设置为100。

模型使用“二分匹配损失”进行训练：将N = 100个对象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个对象，96个标注的类别将为“无对象”，边界框为“无边界框”）。使用匈牙利匹配算法在每个N个查询和每个N个标注之间创建最佳的一对一映射。接下来，使用标准交叉熵（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。

通过在解码器输出之上添加一个掩码头部，DETR可以自然地扩展到全景分割任务。

预期用途和限制

你可以使用该原始模型进行全景分割。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全景数据集上进行训练，该数据集分别包含11.8万张和5000张用于训练和验证的标注图像。

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

该模型在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验证集上取得了以下结果：边界框平均精度（AP）为40.2，分割平均精度（AP）为31.9，全景质量（PQ）为44.6。

有关评估结果的更多详细信息，请参考原论文的表5。

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。