许可协议: apache-2.0
标签:

• 图像分割
• 视觉
  数据集:
• coco
  示例:
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/dog-cat.jpg
  示例标题: 狗与猫
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/construction-site.jpg
  示例标题: 建筑工地
• 图片地址: https://huggingface.co/datasets/mishig/sample_images/resolve/main/apple-orange.jpg
  示例标题: 苹果与橙子

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全景分割数据集（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”来检测图像中的目标。每个对象查询在图像中寻找特定目标。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个目标，则其余96个标注的类别为“无目标”，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。

DETR可通过在解码器输出之上添加掩膜头部，自然扩展为全景分割任务。

预期用途与局限性

您可以将原始模型用于全景分割。查看模型库以寻找所有可用的DETR模型。

使用方法

以下是使用该模型的示例代码：

from transformers import DetrFeatureExtractor, DetrForSegmentation  
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-panoptic')  
model = DetrForSegmentation.from_pretrained('facebook/detr-resnet-101-panoptic')  

# 准备模型输入  
inputs = feature_extractor(images=image, return_tensors="pt")  

# 前向传播  
outputs = model(**inputs)  

# 使用`DetrFeatureExtractor`的`post_process_panoptic`方法转换为COCO格式  
processed_sizes = torch.as_tensor(inputs["pixel_values"].shape[-2:]).unsqueeze(0)  
result = feature_extractor.post_process_panoptic(outputs, processed_sizes)[0]  

# 分割结果以特殊格式的PNG存储  
panoptic_seg = Image.open(io.BytesIO(result["png_string"]))  
panoptic_seg = numpy.array(panoptic_seg, dtype=numpy.uint8)  
# 获取每个掩膜对应的ID  
panoptic_seg_id = rgb_to_id(panoptic_seg)  

目前，特征提取器和模型均支持PyTorch。

训练数据

DETR模型在COCO 2017全景分割数据集上训练，该数据集包含11.8万张训练图像和5千张验证图像。

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，使得最短边至少为800像素，最长边至多为1333像素，并使用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轮。训练耗时3天，每块GPU处理4张图像（总批次大小为64）。

评估结果

该模型在COCO 2017验证集上取得以下结果：边界框平均精度（AP）为40.1，分割平均精度（AP）为33，全景质量（PQ）为45.1。

更多评估结果细节，请参考原论文表5。

BibTeX条目与引用信息

@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}  
}