使用Detic方法在LVIS上训练的可变形DETR模型

可变形目标检测Transformer（DETR）是在LVIS上训练的（包括1203个类别）。它在Zhou等人的论文 Detecting Twenty-thousand Classes using Image-level Supervision 中介绍，并于 this repository 首次发布。

该模型对应于原始存储库中发布的“Detic_DeformDETR_R50_4x”检查点。

声明：发布Detic的团队未为此模型编写模型卡片，因此此模型卡片由Hugging Face团队编写。

模型描述

DETR模型是一个带有卷积骨干的编码器-解码器Transformer。在解码器输出的顶部添加了两个头，用于执行目标检测：用于类别标签的线性层和用于边界框的MLP（多层感知机）。模型使用所谓的对象查询在图像中检测对象。每个对象查询在图像中寻找特定的对象。对于COCO，对象查询的数量设置为100。

该模型使用“二部匹配损失”进行训练：将每个N = 100个对象查询的预测类别+边界框与地面实况注释进行比较，将其填充到相同长度的N（因此，如果图像仅包含4个对象，则96个注释只会有一个“无对象”作为类别和一个“没有边界框”作为边界框）。使用匈牙利匹配算法在这N个查询和这N个注释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和广义IoU损失的线性组合（用于边界框）来优化模型的参数。

预期使用和限制

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

如何使用

以下是如何使用此模型的方法：

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("facebook/deformable-detr-detic")
model = DeformableDetrForObjectDetection.from_pretrained("facebook/deformable-detr-detic")

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}"
    )

评估结果

该模型在LVIS上实现了32.5的box mAP和26.2的mAP（罕见类别）。

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}
}