许可协议：apache-2.0
标签：

• 目标检测
• 视觉
• detic
  数据集：
• lvis
  示例展示：
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/savanna.jpg
  示例标题：热带草原
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/football-match.jpg
  示例标题：足球比赛
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/airport.jpg
  示例标题：机场

基于LVIS训练的Deformable DETR模型

Deformable DEtection TRansformer（DETR）模型，在LVIS数据集（包含1203个类别）上训练完成。该模型由Zhou等人在论文《使用图像级监督检测两万类物体》中提出，并首次发布于此代码库。

此模型对应原始代码库中发布的"Box-Supervised_DeformDETR_R50_4x"检查点。

免责声明：发布Detic的团队未为此模型编写模型卡片，因此本卡片由Hugging Face团队撰写。

模型描述

DETR模型是一个基于卷积骨干网络的编码器-解码器Transformer。在解码器输出端添加了两个头部以执行目标检测：一个线性层用于分类标签，一个多层感知机（MLP）用于边界框预测。模型通过所谓的“对象查询”在图像中检测目标，每个查询负责寻找图像中的特定对象。对于COCO数据集，对象查询数量设置为100。

训练时采用“二分匹配损失”：将N=100个对象查询的预测类别和边界框与填充至相同长度N的真实标注进行对比（例如，若图像仅含4个物体，其余96个标注的类别为“无物体”，边界框为“无边界框”）。匈牙利匹配算法用于在查询与标注间建立最优的一对一映射关系，随后通过交叉熵损失（分类）及L1与广义IoU损失的线性组合（边界框）优化模型参数。

使用场景与限制

可直接使用该原始模型进行目标检测。查看模型库以获取所有可用的Deformable DETR模型。

使用方法

使用方式如下：

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection  
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 = AutoImageProcessor.from_pretrained("facebook/deformable-detr-box-supervised")  
model = DeformableDetrForObjectDetection.from_pretrained("facebook/deformable-detr-box-supervised")  

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

# 将输出（边界框和类别分数）转换为COCO格式  
# 仅保留置信度>0.7的检测结果  
target_sizes = torch.tensor([image.size[::-1]])  
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[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}"  
    )  

评估结果

该模型在LVIS数据集上达到31.7的边界框mAP和21.4的稀有类别mAP。

BibTeX引用信息

@misc{https://doi.org/10.48550/arxiv.2010.04159,  
  doi = {10.48550/ARXIV.2010.04159},  
  url = {https://arxiv.org/abs/2010.04159},   
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},  
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},  
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},  
  publisher = {arXiv},  
  year = {2020},  
  copyright = {arXiv.org perpetual, non-exclusive license}  
}