license: apache-2.0 tags:

• 视觉
• 零样本目标检测 inference: false

模型卡片：OWL-ViT

模型详情

OWL-ViT（全称为开放世界定位视觉变换器）由Matthias Minderer、Alexey Gritsenko、Austin Stone、Maxim Neumann、Dirk Weissenborn、Alexey Dosovitskiy、Aravindh Mahendran、Anurag Arnab、Mostafa Dehghani、Zhuoran Shen、Xiao Wang、Xiaohua Zhai、Thomas Kipf和Neil Houlsby在论文《Simple Open-Vocabulary Object Detection with Vision Transformers》中提出。OWL-ViT是一个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来查询图像。

OWL-ViT使用CLIP作为其多模态骨干网络，其中视觉变换器（ViT-like Transformer）用于获取视觉特征，因果语言模型用于获取文本特征。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，并在每个变换器输出令牌上附加了一个轻量级的分类和边界框头部。通过用从文本模型获得的类名嵌入替换固定的分类层权重，实现了开放词汇分类。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头部。可以使用每张图像的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

2022年5月

模型类型

该模型使用CLIP骨干网络，其中图像编码器采用ViT-B/16变换器架构，文本编码器采用掩码自注意力变换器。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骨干网络从头开始训练，并与边界框和类别预测头部一起通过目标检测目标进行微调。

文档

• OWL-ViT论文

与Transformers一起使用

import requests
from PIL import Image
import torch

from transformers import OwlViTProcessor, OwlViTForObjectDetection

processor = OwlViTProcessor.from_pretrained("google/owlvit-base-patch16")
model = OwlViTForObjectDetection.from_pretrained("google/owlvit-base-patch16")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
texts = [["一张猫的照片", "一张狗的照片"]]
inputs = processor(text=texts, images=image, return_tensors="pt")
outputs = model(**inputs)

# 目标图像尺寸（高度，宽度）以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logits）转换为COCO API
results = processor.post_process_object_detection(outputs=outputs, threshold=0.1, target_sizes=target_sizes)

i = 0  # 检索第一张图像对应文本查询的预测结果
text = texts[i]
boxes, scores, labels = results[i]["boxes"], results[i]["scores"], results[i]["labels"]

# 打印检测到的物体和重新缩放后的边界框坐标
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输出。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物体的领域。

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

该模型的CLIP骨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和使用常用的现有图像数据集（如YFCC100M）的组合完成的。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连接最紧密的人群和社会。OWL-ViT的预测头部与CLIP骨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。

BibTeX条目和引用信息

@article{minderer2022simple,
  title={Simple Open-Vocabulary Object Detection with Vision Transformers},
  author={Matthias Minderer, Alexey Gritsenko, Austin Stone, Maxim Neumann, Dirk Weissenborn, Alexey Dosovitskiy, Aravindh Mahendran, Anurag Arnab, Mostafa Dehghani, Zhuoran Shen, Xiao Wang, Xiaohua Zhai, Thomas Kipf, Neil Houlsby},
  journal={arXiv preprint arXiv:2205.06230},
  year={2022},
}