基于ResNet-50骨干网络的DETR（端到端目标检测）模型

DEtection TRansformer（DETR）模型是在COCO 2017目标检测数据集（118,000张标注图像）上进行端到端训练的。该模型首次在Carion等人的论文中提出，并在 this repository 中首次发布。

免责声明：发布DETR的团队没有为该模型编写模型卡片，因此该模型卡片由Hugging Face团队编写。

模型描述

DETR模型是一个带有卷积骨干网络的编码器-解码器Transformer模型。在解码器输出的基础上，添加了两个头部来进行目标检测：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器（MLP）。该模型使用所谓的对象查询来检测图像中的对象。每个对象查询都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，如果图像仅包含4个对象，则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损失与广义IoU损失的线性组合（用于边界框）来优化模型的参数。

预期用途和局限性

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

如何使用

以下是使用该模型的方法：

from transformers import DetrFeatureExtractor, DetrForObjectDetection
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-50-dc5')
model = DetrForObjectDetection.from_pretrained('facebook/detr-resnet-50-dc5')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)

# model predicts bounding boxes and corresponding COCO classes
logits = outputs.logits
bboxes = outputs.pred_boxes

目前，特征提取器和模型都支持PyTorch。

训练数据

DETR模型是在 COCO 2017 object detection 上进行训练的，该数据集包含118,000/5,000张用于训练/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详细信息可以在 here 中找到。

图像被调整大小/缩放，使得最短边至少为800像素，最长边最多为1333像素，并通过RGB通道进行规范化，使用ImageNet的平均值（0.485、0.456、0.406）和标准差（0.229、0.224、0.225）。

训练

该模型在16个V100 GPU上进行了300个epoch的训练。每个GPU上处理4张图像（因此总批量大小为64），训练历时3天。

评估结果

该模型在COCO 2017验证集上达到43.3的AP（平均精度）。有关评估结果的更多详细信息，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}
}