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ResNet-101骨干网络的DETR（端到端目标检测）模型

DEtection TRansformer (DETR) 模型在COCO 2017目标检测数据集（包含11.8万张标注图像）上进行了端到端训练。该模型由Carion等人在论文《End-to-End Object Detection with Transformers》中提出，并首次发布于此代码库。

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

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部以执行目标检测：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）。模型使用所谓的“对象查询”来检测图像中的物体。每个对象查询在图像中寻找特定物体。对于COCO数据集，对象查询的数量设置为100。

模型训练采用“二分匹配损失”：将每个N=100个对象查询预测的类别和边界框与真实标注（填充至相同长度N）进行比较（例如，若图像仅包含4个物体，则其余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N个查询和N个标注之间创建最优的一对一映射。随后，使用标准交叉熵损失（用于类别）和L1损失与广义IoU损失的线性组合（用于边界框）来优化模型参数。

预期用途与限制

您可以将该原始模型用于目标检测任务。访问模型中心查看所有可用的DETR模型。

使用方法

以下是使用该模型的示例代码：

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)  

# 若不希望依赖timm库，可指定修订版本  
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-101", revision="no_timm")  
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-101", 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格式  
# 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}"  
    )  

输出结果类似如下：

检测到 cat，置信度 0.998，位置 [344.06, 24.85, 640.34, 373.74]  
检测到 remote，置信度 0.997，位置 [328.13, 75.93, 372.81, 187.66]  
检测到 remote，置信度 0.997，位置 [39.34, 70.13, 175.56, 118.78]  
检测到 cat，置信度 0.998，位置 [15.36, 51.75, 316.89, 471.16]  
检测到 couch，置信度 0.995，位置 [-0.19, 0.71, 639.73, 474.17]  

目前，特征提取器和模型均支持PyTorch。

训练数据

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

训练流程

预处理

训练/验证期间图像预处理的详细步骤可参考此处。

图像被调整大小/缩放，使得最短边至少800像素，最长边至多1333像素，并按ImageNet均值（0.485, 0.456, 0.406）和标准差（0.229, 0.224, 0.225）对RGB通道进行归一化。

训练

模型在16块V100 GPU上训练了300个周期，耗时3天，每GPU处理4张图像（总批次大小为64）。

评估结果

该模型在COCO 2017验证集上达到了43.5的平均精度（AP）。更多评估结果细节请参考原论文表1。

BibTeX引用信息

@article{DBLP:journals/corr/abs-2005-12872,  
  author    = {Nicolas Carion and  
               Francisco Massa and  
               Gabriel Synnaeve and  
               Nicolas Usunier and  
               Alexander Kirillov and  
               Sergey Zagoruyko},  
  title     = {End-to-End Object Detection with Transformers},  
  journal   = {CoRR},  
  volume    = {abs/2005.12872},  
  year      = {2020},  
  url       = {https://arxiv.org/abs/2005.12872},  
  archivePrefix = {arXiv},  
  eprint    = {2005.12872},  
  timestamp = {Thu, 28 May 2020 17:38:09 +0200},  
  biburl    = {https://dblp.org/rec/journals/corr/abs-2005-12872.bib},  
  bibsource = {dblp computer science bibliography, https://dblp.org}  
}