DETR（端到端目标检测）模型，使用ResNet-50骨干网络

DEtection TRansformer（DETR）模型是在COCO 2017目标检测（118k个标注图像）数据集上端到端训练的。该模型由Carion等人在论文 End-to-End Object Detection with Transformers 中提出，并首次在 this repository 中发布。

免责声明：发布DETR模型的团队未为该模型编写模型卡片，因此本模型卡片由Hugging Face团队编写。

模型描述

DETR模型是一个具有卷积骨干网络的编码器-解码器变换器。在解码器输出的顶部添加了两个头部，用于执行目标检测：一个用于类标签的线性层，一个用于边界框的多层感知器（MLP）。该模型使用所谓的对象查询来检测图像中的对象。每个对象查询在图像中寻找特定的对象。对于COCO数据集，对象查询的数量设置为100。

模型使用“二部图匹配损失”进行训练：将每个N = 100个对象查询的预测类别+边界框与地面实况注释进行比较，将其填充到相同长度N（因此，如果图像仅包含4个对象，则96个注释将只有“无对象”作为类别和“无边界框”作为边界框）。使用匈牙利匹配算法在每个N个查询和每个N个注释之间创建最佳一对一映射。接下来，使用标准的交叉熵（用于类别）和L1和广义IoU损失的线性组合（用于边界框）优化模型的参数。

预期用途和限制

您可以使用原始模型进行目标检测。请参阅链接 model hub 以查找所有可用的DETR模型。

如何使用

以下是使用此模型的方法：

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)

processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50")

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

# convert outputs (bounding boxes and class logits) to COCO API
# let's only keep detections with score > 0.9
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"Detected {model.config.id2label[label.item()]} with confidence "
            f"{round(score.item(), 3)} at location {box}"
    )

这应该会输出：

Detected remote with confidence 0.998 at location [40.16, 70.81, 175.55, 117.98]
Detected remote with confidence 0.996 at location [333.24, 72.55, 368.33, 187.66]
Detected couch with confidence 0.995 at location [-0.02, 1.15, 639.73, 473.76]
Detected cat with confidence 0.999 at location [13.24, 52.05, 314.02, 470.93]
Detected cat with confidence 0.999 at location [345.4, 23.85, 640.37, 368.72]

目前，特征提取器和模型都支持PyTorch。

训练数据

DETR模型在链接 COCO 2017 object detection 上进行了训练，该数据集包含了118k/5k个用于训练/验证的标注图像。

训练过程

预处理

在训练/验证期间对图像进行预处理的确切细节可以在链接 here 中找到。

图像被调整大小/重新缩放，以使最短边至少为800像素，最大边至多为1333像素，并在RGB通道上使用ImageNet的均值（0.485，0.456，0.406）和标准差（0.229，0.224，0.225）进行归一化。

训练

该模型在16个V100 GPU上训练了300个epochs。每个GPU上有4个图像（因此总批量大小为64），训练时间为3天。

评估结果

该模型在COCO 2017验证集上实现了42.0的AP（平均精度）。有关评估结果的更多详细信息，请参阅原始论文的表1。

@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}
}