许可协议：apache-2.0
标签：

• 视觉
• 零样本目标检测
  推理：false

模型卡片：OWLv2

模型详情

OWLv2模型（全称为开放世界定位）由Matthias Minderer、Alexey Gritsenko和Neil Houlsby在论文《扩展开放词汇目标检测》中提出。OWLv2与OWL-ViT类似，是一种零样本文本条件目标检测模型，可用于通过一个或多个文本查询对图像进行查询。

该模型使用CLIP作为其多模态主干网络，其中视觉特征通过类似ViT的Transformer获取，文本特征则通过因果语言模型获取。为了将CLIP用于检测任务，OWL-ViT移除了视觉模型的最终令牌池化层，并在每个Transformer输出令牌上附加了一个轻量级的分类和边界框预测头。开放词汇分类的实现方式是将固定的分类层权重替换为从文本模型获得的类名嵌入。作者首先从头开始训练CLIP，并使用二分匹配损失在标准检测数据集上端到端微调分类和边界框预测头。每张图像可以使用一个或多个文本查询来执行零样本文本条件目标检测。

模型日期

2023年6月

模型类型

该模型使用CLIP主干网络，其中图像编码器采用ViT-B/16 Transformer架构，文本编码器采用掩码自注意力Transformer。这些编码器通过对比损失训练以最大化（图像，文本）对的相似性。CLIP主干网络从头开始训练，并与边界框和类别预测头一起通过目标检测任务进行微调。

相关文档

• OWLv2论文

与Transformers一起使用

import requests  
from PIL import Image  
import torch  

from transformers import Owlv2Processor, Owlv2ForObjectDetection  

processor = Owlv2Processor.from_pretrained("google/owlv2-base-patch16-ensemble")  
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-base-patch16-ensemble")  

url = "http://images.cocodataset.org/val2017/000000039769.jpg"  
image = Image.open(requests.get(url, stream=True).raw)  
texts = [["a photo of a cat", "a photo of a dog"]]  
inputs = processor(text=texts, images=image, return_tensors="pt")  

with torch.no_grad():  
  outputs = model(**inputs)  

# 目标图像尺寸（高度，宽度）用于重新缩放边界框预测 [batch_size, 2]  
target_sizes = torch.Tensor([image.size[::-1]])  
# 将输出（边界框和类别逻辑值）转换为Pascal VOC格式（xmin, ymin, xmax, ymax）  
results = processor.post_process_object_detection(outputs=outputs, target_sizes=target_sizes, threshold=0.1)  
i = 0  # 检索第一张图像对应的文本查询的预测结果  
text = texts[i]  
boxes, scores, labels = results[i]["boxes"], results[i]["scores"], results[i]["labels"]  
for box, score, label in zip(boxes, scores, labels):  
    box = [round(i, 2) for i in box.tolist()]  
    print(f"检测到 {text[label]}，置信度 {round(score.item(), 3)}，位置 {box}")  

模型用途

预期用途

该模型旨在作为研究社区的研究成果。我们希望该模型能帮助研究人员更好地理解和探索零样本文本条件目标检测。我们也希望它可以用于跨学科研究，探讨此类模型的潜在影响，尤其是在通常需要识别训练期间标签不可用的对象的领域。

主要预期用途

这些模型的主要预期用户是AI研究人员。

我们主要设想该模型将被研究人员用于更好地理解计算机视觉模型的鲁棒性、泛化能力以及其他能力、偏见和限制。

数据

模型的CLIP主干网络是在公开可用的图像-标题数据上训练的。这是通过爬取少量网站并结合使用常用的现有图像数据集（如YFCC100M）实现的。大部分数据来自我们对互联网的爬取。这意味着数据更能代表与互联网联系最紧密的人群和社会。OWL-ViT的预测头与CLIP主干网络一起在公开可用的目标检测数据集（如COCO和OpenImages）上进行了微调。

（v2版本待更新）

BibTeX条目及引用信息

@misc{minderer2023scaling,  
      title={Scaling Open-Vocabulary Object Detection},   
      author={Matthias Minderer and Alexey Gritsenko and Neil Houlsby},  
      year={2023},  
      eprint={2306.09683},  
      archivePrefix={arXiv},  
      primaryClass={cs.CV}  
}