许可证：apache-2.0
标签：

• 目标检测
  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（扩张C5阶段）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（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，因此本模型卡由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“目标查询”来检测图像中的物体。每个目标查询在图像中寻找特定的物体。对于COCO数据集，目标查询的数量设置为100。

模型训练采用“二分匹配损失”：将每个N=100个目标查询预测的类别和边界框与真实标注进行比较，标注被填充至相同长度N（例如，如果图像仅包含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。然后，使用标准交叉熵（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。查看模型中心以寻找所有可用的DETR模型。

使用方法

以下是使用该模型的方法：

from transformers import DetrFeatureExtractor, DetrForObjectDetection
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = DetrFeatureExtractor.from_pretrained('facebook/detr-resnet-101-dc5')
model = DetrForObjectDetection.from_pretrained('facebook/detr-resnet-101-dc5')

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

# 模型预测边界框及对应的COCO类别
logits = outputs.logits
bboxes = outputs.pred_boxes

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11.8万张训练图像和5千张验证图像，均带有标注。

训练流程

预处理

训练/验证期间图像预处理的详细信息可在此处找到。

图像被调整大小/缩放，使得最短边至少为800像素，最长边最多为1333像素，并通过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，每块GPU处理4张图像（因此总批次大小为64）。

评估结果

该模型在COCO 2017验证集上实现了44.9的平均精度（AP）。有关评估结果的更多细节，请参考原论文的表1。

BibTeX条目及引用信息

@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}
}