许可协议：apache-2.0
标签：

• 目标检测
• 视觉

数据集：

• coco

示例展示：

• 图片地址：https://huggingface.co/datasets/mishig/sample_images/resolve/main/savanna.jpg
  示例标题：热带草原
• 图片地址：https://huggingface.co/datasets/mishig/sample_images/resolve/main/football-match.jpg
  示例标题：足球比赛
• 图片地址：https://huggingface.co/datasets/mishig/sample_images/resolve/main/airport.jpg
  示例标题：机场

基于ResNet-50骨干网络的可变形DETR模型（含边界框优化）

可变形DEtection TRansformer（DETR）模型，通过端到端训练在COCO 2017目标检测数据集（11.8万张标注图像）上实现，并包含边界框优化模块。该模型由Zhu等人在论文《可变形DETR：端到端目标检测中的可变形Transformer》中提出，并首次发布于此代码库。

免责声明：发布可变形DETR的团队未编写此模型的说明文档，本文档由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架构。在解码器输出端添加了两个头部结构：用于类别标签的线性层和用于边界框预测的多层感知机（MLP）。模型通过"对象查询"机制检测图像中的目标，每个查询对应图像中的一个特定对象。在COCO数据集中，对象查询数量设置为100。

训练时采用"二分匹配损失"：将N=100个对象查询预测的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个目标，则剩余96个标注的类别为"无对象"，边界框为"无边界框"）。通过匈牙利匹配算法建立查询与标注间的最优一对一映射关系，随后结合交叉熵损失（类别）以及L1损失与广义IoU损失的线性组合（边界框）来优化模型参数。

应用场景与限制

该模型可直接用于目标检测任务。访问模型库可获取所有可用的可变形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("SenseTime/deformable-detr-with-box-refine")
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr-with-box-refine")

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

# 将输出（边界框和类别logits）转换为COCO评估格式
# 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}"
    )

当前特征提取器与模型仅支持PyTorch框架。

训练数据

模型在COCO 2017目标检测数据集上训练，包含训练集11.8万张/验证集5千张标注图像。

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}
}