# 端到端目标检测

DETR是一种基于Transformer的目标检测模型，采用端到端的方式处理目标检测任务，无需复杂的后处理步骤。

DETR-Resnet50是一个基于Transformer架构的语义分割模型，通过Core ML格式提供高效的移动端部署能力。

基于facebook/detr-resnet-50模型在cppe-5数据集上微调的目标检测模型，专注于个人防护装备检测。

在DocLayNet数据集上训练的可变形DETR模型，用于文档布局分析中的目标检测任务，达到57.1的box mAP指标。

基于Transformer架构的端到端目标检测模型，无需传统目标检测中的锚框设计

基于facebook/detr-resnet-50在cppe-5数据集上微调的物体检测模型

基于DETR架构的文档表格检测模型，用于检测文档中的有边框和无边框表格

可变形DETR是一种基于Transformer的目标检测模型，通过边界框优化和两阶段检测实现端到端训练，适用于COCO数据集。

可变形DETR是一种端到端的目标检测模型，结合了Transformer架构和可变形卷积的优势，在COCO数据集上实现了高效的目标检测。

DETR是一个基于Transformer架构的端到端目标检测模型，使用ResNet-50作为骨干网络，并在COCO数据集上训练。

DETR是一个使用Transformer架构的端到端目标检测模型，采用ResNet-101作为骨干网络，在COCO数据集上训练。

DETR是一个基于Transformer架构的端到端目标检测模型，使用ResNet-50作为骨干网络，在COCO数据集上训练。

DETR是一个使用Transformer进行端到端目标检测的模型，采用ResNet-101作为骨干网络并在COCO数据集上训练。

DETR是一个结合卷积神经网络与Transformer的端到端目标检测模型，支持全景分割任务。

可变形检测变换器（Deformable DETR）单尺度模型，专为目标检测任务设计，采用端到端训练方式，在COCO 2017数据集上表现优异。

DETR是一个结合卷积神经网络和Transformer架构的端到端目标检测模型，支持全景分割任务。

可变形DETR是一种端到端的目标检测模型，结合了Transformer架构和可变形卷积的优势，在COCO数据集上训练而成。

可变形DETR是一种端到端目标检测模型，使用Transformer架构和可变形注意力机制改进检测性能。