DETR（端到端目标检测）模型，使用ResNet-101骨干网络

DETR（DEtection TRansformer）模型在COCO 2017 panoptic（118k个标注图像）数据集上进行了端到端训练。该模型在Carion等人的论文中首次提出并于 this repository 年发布。

免责声明：发布DETR的团队没有为这个模型编写模型卡片，因此此模型卡片是由Hugging Face团队编写的。

模型描述

DETR模型是一个编码器-解码器变换器，具有卷积骨干网络。在解码器输出的顶部添加了两个头部，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个。

该模型使用“二分图匹配损失”进行训练：将每个N=100个对象查询的预测类别+边界框与地面真实注释进行比较，并将其填充到相同长度N（因此，如果一张图像仅包含4个对象，则96个注释将只具有“无对象”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个注释之间创建最佳一对一映射。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。

DETR可以通过在解码器输出之上添加一个蒙版头来自然扩展到执行全景分割。

预期用途和限制

您可以使用原始模型进行全景分割。查看 model hub 以查找所有可用的DETR模型。

如何使用

使用此模型的方法如下：

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-101-panoptic')
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-101-panoptic')

# prepare inputs for the model
inputs = feature_extractor(images=image, return_tensors="pt")

# forward pass
outputs = model(**inputs)

# use the `post_process_panoptic` method of `DetrFeatureExtractor` to convert to COCO format
processed_sizes = torch.as_tensor(inputs["pixel_values"].shape[-2:]).unsqueeze(0)
result = feature_extractor.post_process_panoptic(outputs, processed_sizes)[0]

# the segmentation is stored in a special-format png
panoptic_seg = Image.open(io.BytesIO(result["png_string"]))
panoptic_seg = numpy.array(panoptic_seg, dtype=numpy.uint8)
# retrieve the ids corresponding to each mask
panoptic_seg_id = rgb_to_id(panoptic_seg)

目前，特征提取器和模型都支持PyTorch。

训练数据

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

训练过程

预处理

关于训练/验证期间图像的预处理的确切细节可以在 here 中找到。

图像被调整大小/重新缩放，使得最短边至少为800像素，最大边至多为1333像素，并在RGB通道上以ImageNet的均值（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上进行了300个epoch的训练。每个GPU使用4个图像（因此总批量大小为64）训练。这需要3天的时间。

评估结果

该模型在COCO 2017验证集上实现了以下结果：边界框AP（平均精度）为40.1，分割AP（平均精度）为33，PQ（全景质量）为45.1。

关于评估结果的更多细节，请参阅原始论文的表5。

BibTeX条目和引文信息

@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}
}

作者:

Meta AI

数据集大小:

237.03 MB