带有ResNet-50骨干网络、框修正和两阶段的可变形DETR模型

Deformable DEtection TRansformer (DETR)是一个端到端训练的模型，使用COCO 2017目标检测数据集（118k张标注图像）进行训练。该模型由朱等人在文章 Deformable DETR: Deformable Transformers for End-to-End Object Detection 中提出，并于 this repository 首次发布。

免责声明：发布Deformable DETR模型的团队未为该模型编写模型卡片，因此本模型卡片由Hugging Face团队编写。

模型描述

DETR模型是一个编码-解码变压器模型，具有一个卷积骨干网络。在解码器输出之上添加了两个头部，用于执行目标检测：一个用于类别标签的线性层和一个用于边界框的多层感知机（MLP）。该模型使用所谓的对象查询来在图像中检测对象。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。

该模型使用“二分匹配损失”进行训练：将每个N = 100个对象查询的预测类别+边界框与地面真值注释进行比较，将它们都填充到相同长度N（因此，如果一个图像只包含4个对象，那么96个注释将只有“无对象”作为类别和“无边界框”作为边界框）。使用匈牙利匹配算法在N个查询和N个注释之间创建最优一对一映射。接下来，使用标准的交叉熵（用于类别）和L1损失和广义IoU损失的线性组合（用于边界框）来优化模型的参数。

使用目的和限制条件

您可以使用原始模型进行目标检测。查看 model hub 以查找所有可用的Deformable DETR模型。

如何使用

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
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)

processor = AutoImageProcessor.from_pretrained("SenseTime/deformable-detr-with-box-refine-two-stage")
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr-with-box-refine-two-stage")

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 > 0.7
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[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}"
    )

目前，特征提取器和模型都支持PyTorch。

训练数据

Deformable DETR模型在 COCO 2017 object detection 上进行了训练，该数据集包含118k/5k张用于训练/验证的标注图像。

BibTeX条目和引用信息

@misc{https://doi.org/10.48550/arxiv.2010.04159,
  doi = {10.48550/ARXIV.2010.04159},
  url = {https://arxiv.org/abs/2010.04159}, 
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  publisher = {arXiv},
  year = {2020},
  copyright = {arXiv.org perpetual, non-exclusive license}
}