目标检测
目标检测模型允许用户识别某些已定义类别的对象。这些模型接收图像作为输入，并输出带有边界框和检测到的对象标签的图像。
有关object-detection任务的更多详细信息，请查看其专用页面！您会发现示例和相关资料。
推荐模型
- facebook/detr-resnet-50：在基准数据集 COCO 2017 上训练的可靠目标检测模型。
- microsoft/beit-base-patch16-224-pt22k-ft22k：在 ImageNet-21k 数据集上训练的强大的目标检测模型。
探索所有可用的模型并找到最适合您的模型在此处。
使用 API
Python
JavaScript
cURL
import requests
API_URL = "https://api-inference.huggingface.co/models/facebook/detr-resnet-50"
headers = {"Authorization": "Bearer hf_***"}
def query(filename):
with open(filename, "rb") as f:
data = f.read()
response = requests.post(API_URL, headers=headers, data=data)
return response.json()
output = query("cats.jpg")要使用 Python 客户端，请参阅huggingface_hub的包参考。
API 规范
请求
| 有效负载 | ||
|---|---|---|
| 输入* | 字符串 | 作为 base64 编码字符串的输入图像数据。如果没有提供parameters，您也可以将图像数据作为原始字节有效负载提供。 |
| 参数 | 对象 | 目标检测的其他推理参数 |
| 阈值 | 数字 | 进行预测所需的概率。 |
可以通过将标头传递到推理 API 来配置某些选项。以下是可用的标头
| 标头 | ||
|---|---|---|
| 授权 | 字符串 | 当hf_****是具有推理 API 权限的个人用户访问令牌时，表单'Bearer: hf_****'中的身份验证标头。您可以从您的设置页面生成一个。 |
| x-use-cache | 布尔值，默认为true | 推理 API 上有一个缓存层，用于加速我们已经处理过的请求。大多数模型都可以直接使用这些结果，因为它们是确定性的（这意味着输出始终相同）。但是，如果您使用非确定性模型，可以设置此参数以阻止缓存机制的使用，从而产生一个真正的新的查询。阅读有关缓存的更多信息，请点击此处。 |
| x-wait-for-model | 布尔值，默认为 false | 如果模型未准备好，请等待它，而不是接收 503 错误。这可以减少获取推理结果所需的请求次数。建议仅在收到 503 错误后才将此标志设置为 true，因为它会将应用程序挂起限制在已知的位置。阅读有关模型可用性的更多信息，请点击此处。 |
有关推理 API 标头的更多信息，请查看参数指南。
响应
| 主体 | ||
|---|---|---|
| (数组) | object[] | 输出是一个对象数组。 |
| 标签 | 字符串 | 边界框的预测标签。 |
| 得分 | 数字 | 关联的分数/概率。 |
| 框 | 对象 | |
| xmin | 整数 | 边界框左上角的 x 坐标。 |
| xmax | 整数 | 边界框右下角的 x 坐标。 |
| ymin | 整数 | 边界框左上角的 y 坐标。 |
| ymax | 整数 | 边界框右下角的 y 坐标。 |