DETR（端到端目标检测）模型，带有ResNet-101骨干

DETR（Detection Transformer）模型是在COCO 2017目标检测数据集（118k个标注图像）上进行端到端训练的。它由Carion等人在 End-to-End Object Detection with Transformers 论文中引入，首次在 this repository 中发布。

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

模型描述

DETR模型是一个具有卷积主干的编码器-解码器变换器。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+边界框与地面实况注释进行比较，填充到相同长度N（因此，如果图像只包含4个对象，96个注释将只具有“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每个N个查询和每个N个注释之间创建最优的一对一映射。接下来，使用标准交叉熵（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。

预期用途和限制

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

如何使用

这是如何使用这个模型的方法：

from transformers import DetrImageProcessor, DetrForObjectDetection
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 = DetrImageProcessor.from_pretrained("facebook/detr-resnet-101")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-101")

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 > 0.9
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[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}"
    )

这应该会输出（大致如下）：

Detected cat with confidence 0.998 at location [344.06, 24.85, 640.34, 373.74]
Detected remote with confidence 0.997 at location [328.13, 75.93, 372.81, 187.66]
Detected remote with confidence 0.997 at location [39.34, 70.13, 175.56, 118.78]
Detected cat with confidence 0.998 at location [15.36, 51.75, 316.89, 471.16]
Detected couch with confidence 0.995 at location [-0.19, 0.71, 639.73, 474.17]

目前，特征提取器和模型都支持PyTorch。

训练数据

DETR模型在 COCO 2017 object detection 上进行了训练，该数据集包含118k/5k个用于训练/验证的带注释图像。

训练过程

预处理

训练/验证期间图像的预处理的详细信息可以在 here 中找到。

图像被调整大小/缩放，以使最短边至少为800像素，最大边至多为1333像素，并且通过图像Net的平均值（0.485、0.456、0.406）和标准差（0.229、0.224、0.225）在RGB通道上进行归一化。

训练

该模型在16个V100 GPU上进行了300个epochs的训练。这需要3天，每个GPU处理4个图像（因此总批量大小为64）。

评估结果

该模型在COCO 2017验证集上达到43.5的AP（平均精度）。有关评估结果的详细信息，请参阅原始论文的表1。

BibTeX条目和引用信息

@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}
}