library_name: transformers tags:

• 目标检测
• 视觉
• 国际象棋 license: apache-2.0 base_model:
• facebook/detr-resnet-50

基于ResNet-50骨干网络并在国际象棋棋子数据集上微调的DETR（端到端目标检测）模型

DEtection TRansformer (DETR)模型，端到端训练于国际象棋棋子识别数据集

模型详情

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。在解码器输出之上添加了两个头以执行目标检测：一个用于类别标签的线性层和一个用于边界框的多层感知机（MLP）。该模型使用所谓的对象查询来检测图像中的对象。每个对象查询在图像中寻找特定对象。对于COCO数据集，对象查询的数量设置为100。

• 开发者: [需要更多信息]
• 资助者[可选]: [需要更多信息]
• 共享者[可选]: [需要更多信息]
• 模型类型: [需要更多信息]
• 语言（NLP）: [需要更多信息]
• 许可证: [需要更多信息]
• 微调自模型[可选]: [需要更多信息]

模型来源[可选]

• 代码库: [需要更多信息]
• 论文[可选]: [需要更多信息]
• 演示[可选]: [需要更多信息]

用途

如何使用

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("aesat/detr-finetuned-chess", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-finetuned-chess", revision="no_timm")

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

# 将输出（边界框和类别logits）转换为COCO API
# 仅保留置信度>0.9的检测结果
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"检测到 {model.config.id2label[label.item()]}，置信度 "
            f"{round(score.item(), 3)}，位置 {box}"
    )

[需要更多信息]

下游用途[可选]

[需要更多信息]

超出范围的使用

[需要更多信息]

偏差、风险和限制

[需要更多信息]

建议

用户（包括直接用户和下游用户）应了解模型的风险、偏差和限制。需要更多信息以提供进一步建议。

如何开始使用模型

使用以下代码开始使用模型。

[需要更多信息]

训练详情

训练数据

[需要更多信息]

训练过程

预处理[可选]

[需要更多信息]

训练超参数

• 训练方案: [需要更多信息]

速度、大小、时间[可选]

[需要更多信息]

评估

测试数据、因素和指标

测试数据

[需要更多信息]

因素

[需要更多信息]

指标

[需要更多信息]

结果

[需要更多信息]

摘要