Transformers 文档
DAB-DETR
并获得增强的文档体验
开始使用
DAB-DETR
概述
DAB-DETR 模型由 Shilong Liu、Feng Li、Hao Zhang、Xiao Yang、Xianbiao Qi、Hang Su、Jun Zhu 和 Lei Zhang 在DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR中提出。DAB-DETR 是 Conditional DETR 的增强变体。它利用动态更新的锚框提供参考查询点 (x, y) 和参考锚框大小 (w, h),从而改善交叉注意力计算。这种新方法在使用单个 ResNet-50 模型作为骨干网络进行 50 个 epoch 的训练后,达到了 45.7% 的 AP。

论文摘要如下:
本文提出了一种使用动态锚框进行 DETR(DEtection TRansformer)的新型查询公式,并对 DETR 中查询的作用提供了更深入的理解。这种新公式直接使用框坐标作为 Transformer 解码器中的查询,并逐层动态更新它们。使用框坐标不仅有助于使用明确的位置先验来改善查询到特征的相似性,消除 DETR 中训练收敛缓慢的问题,还允许我们使用框的宽度和高度信息来调制位置注意力图。这种设计清楚地表明,DETR 中的查询可以实现为以级联方式逐层执行软 ROI 池化。因此,在相同设置下,例如使用 ResNet50-DC5 作为骨干网络训练 50 个 epoch 达到 45.7% 的 AP,它在 MS-COCO 基准测试中在 DETR 类检测模型中取得了最佳性能。我们还进行了大量实验来证实我们的分析并验证我们方法的有效性。
此模型由davidhajdu贡献。原始代码可在此处找到。
如何开始使用模型
使用以下代码开始使用模型。
import torch
import requests
from PIL import Image
from transformers import AutoModelForObjectDetection, AutoImageProcessor
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50")
model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50")
inputs = image_processor(images=image, return_tensors="pt")
with torch.no_grad():
outputs = model(**inputs)
results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3)
for result in results:
for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
score, label = score.item(), label_id.item()
box = [round(i, 2) for i in box.tolist()]
print(f"{model.config.id2label[label]}: {score:.2f} {box}")
这应该会输出
cat: 0.87 [14.7, 49.39, 320.52, 469.28]
remote: 0.86 [41.08, 72.37, 173.39, 117.2]
cat: 0.86 [344.45, 19.43, 639.85, 367.86]
remote: 0.61 [334.27, 75.93, 367.92, 188.81]
couch: 0.59 [-0.04, 1.34, 639.9, 477.09]
还有另外三种实例化 DAB-DETR 模型的方法(取决于你的偏好)
选项 1:使用整个模型的预训练权重实例化 DAB-DETR
>>> from transformers import DabDetrForObjectDetection
>>> model = DabDetrForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50")
选项 2:使用 Transformer 的随机初始化权重,但使用骨干网络的预训练权重实例化 DAB-DETR
>>> from transformers import DabDetrConfig, DabDetrForObjectDetection
>>> config = DabDetrConfig()
>>> model = DabDetrForObjectDetection(config)
选项 3:使用骨干网络 + Transformer 的随机初始化权重实例化 DAB-DETR
>>> config = DabDetrConfig(use_pretrained_backbone=False)
>>> model = DabDetrForObjectDetection(config)
DabDetrConfig
class transformers.DabDetrConfig
< 来源 >( use_timm_backbone = True backbone_config = None backbone = 'resnet50' use_pretrained_backbone = True backbone_kwargs = None num_queries = 300 encoder_layers = 6 encoder_ffn_dim = 2048 encoder_attention_heads = 8 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 8 is_encoder_decoder = True activation_function = 'prelu' hidden_size = 256 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 init_xavier_std = 1.0 auxiliary_loss = False dilation = False class_cost = 2 bbox_cost = 5 giou_cost = 2 cls_loss_coefficient = 2 bbox_loss_coefficient = 5 giou_loss_coefficient = 2 focal_alpha = 0.25 temperature_height = 20 temperature_width = 20 query_dim = 4 random_refpoints_xy = False keep_query_pos = False num_patterns = 0 normalize_before = False sine_position_embedding_scale = None **kwargs )
参数
- use_timm_backbone (
bool
, optional, 默认为True
) — 是否使用timm
库作为骨干网络。如果设置为False
,将使用 AutoBackbone API。 - backbone_config (
PretrainedConfig
或dict
, optional) — 骨干模型的配置。仅在use_timm_backbone
设置为False
时使用,默认为ResNetConfig()
。 - backbone (
str
, optional, 默认为"resnet50"
) — 当backbone_config
为None
时使用的骨干网络名称。如果use_pretrained_backbone
为True
,这将从 timm 或 transformers 库加载相应的预训练权重。如果use_pretrained_backbone
为False
,这将加载骨干网络的配置并使用它来初始化具有随机权重的骨干网络。 - use_pretrained_backbone (
bool
, optional, 默认为True
) — 是否使用骨干网络的预训练权重。 - backbone_kwargs (
dict
, optional) — 从检查点加载时要传递给 AutoBackbone 的关键字参数,例如{'out_indices': (0, 1, 2, 3)}
。如果设置了backbone_config
,则不能指定。 - num_queries (
int
, optional, 默认为 300) — 对象查询的数量,即检测槽位。这是 DabDetrModel 可以在单张图像中检测到的最大对象数量。对于 COCO,我们建议使用 100 个查询。 - encoder_layers (
int
, optional, 默认为 6) — 编码器层数。 - encoder_ffn_dim (
int
, optional, 默认为 2048) — 编码器中“中间”(通常称为前馈)层的维度。 - encoder_attention_heads (
int
, optional, 默认为 8) — Transformer 编码器中每个注意力层的注意力头数量。 - decoder_layers (
int
, optional, 默认为 6) — 解码器层数。 - decoder_ffn_dim (
int
, optional, 默认为 2048) — 解码器中“中间”(通常称为前馈)层的维度。 - decoder_attention_heads (
int
, optional, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数量。 - is_encoder_decoder (
bool
, optional, 默认为True
) — 指示 Transformer 模型架构是否为编码器-解码器。 - activation_function (
str
或function
, optional, 默认为"prelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - hidden_size (
int
, optional, 默认为 256) — 此参数是通用维度参数,定义了编码器层和解码器层中的投影参数等组件的维度。 - dropout (
float
, optional, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。 - attention_dropout (
float
, optional, 默认为 0.0) — 注意力概率的 dropout 比率。 - activation_dropout (
float
, optional, 默认为 0.0) — 全连接层内部激活的 dropout 比率。 - init_std (
float
, optional, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - init_xavier_std (
float
, optional, 默认为 1.0) — HM 注意力模块中用于 Xavier 初始化增益的比例因子。 - auxiliary_loss (
bool
, optional, 默认为False
) — 是否使用辅助解码损失(每个解码器层的损失)。 - dilation (
bool
, optional, 默认为False
) — 是否在最后一个卷积块 (DC5) 中用空洞卷积代替步幅卷积。仅当use_timm_backbone
=True
时支持。 - class_cost (
float
, optional, 默认为 2) — 匈牙利匹配成本中分类误差的相对权重。 - bbox_cost (
float
, optional, 默认为 5) — 匈牙利匹配成本中边界框坐标 L1 误差的相对权重。 - giou_cost (
float
, optional, 默认为 2) — 匈牙利匹配成本中边界框广义 IoU 损失的相对权重。 - cls_loss_coefficient (
float
, optional, 默认为 2) — 对象检测损失函数中分类损失的相对权重。 - bbox_loss_coefficient (
float
, optional, 默认为 5) — 对象检测损失中 L1 边界框损失的相对权重。 - giou_loss_coefficient (
float
, optional, 默认为 2) — 对象检测损失中广义 IoU 损失的相对权重。 - focal_alpha (
float
, optional, 默认为 0.25) — 焦点损失中的 Alpha 参数。 - temperature_height (
int
, optional, 默认为 20) — 调整位置注意力平坦度的温度参数(高度)。 - temperature_width (
int
, optional, 默认为 20) — 调整位置注意力平坦度的温度参数(宽度)。 - query_dim (
int
, optional, 默认为 4) — 查询维度参数表示输出向量的大小。 - random_refpoints_xy (
bool
, optional, 默认为False
) — 是否通过随机初始化固定锚框的 x 和 y 坐标。 - keep_query_pos (
bool
, optional, 默认为False
) — 是否在每个解码器层将对象查询的投影位置嵌入连接到原始查询(键)中。 - num_patterns (
int
, optional, 默认为 0) — 模式嵌入的数量。 - normalize_before (
bool
, optional, 默认为False
) — 是否在编码器中使用归一化层。 - sine_position_embedding_scale (
float
, optional, 默认为“None”) — 应用于归一化位置编码的比例因子。 - initializer_bias_prior_prob (
float
, optional) — 偏置初始化器用于初始化enc_score_head
和class_embed
偏置的先验概率。如果为None
,则在初始化模型权重时,prior_prob
计算为prior_prob = 1 / (num_labels + 1)
。
这是用于存储 DabDetrModel 配置的配置类。它用于根据指定的参数实例化 DAB-DETR 模型,定义模型架构。使用默认值实例化配置将产生与 DAB-DETR IDEA-Research/dab_detr-base 架构类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请参阅 PretrainedConfig 文档。
示例
>>> from transformers import DabDetrConfig, DabDetrModel
>>> # Initializing a DAB-DETR IDEA-Research/dab_detr-base style configuration
>>> configuration = DabDetrConfig()
>>> # Initializing a model (with random weights) from the IDEA-Research/dab_detr-base style configuration
>>> model = DabDetrModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
DabDetrModel
class transformers.DabDetrModel
< source >( config: DabDetrConfig )
参数
- config (DabDetrConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
裸 DAB-DETR 模型(由骨干网络和编解码器 Transformer 组成),输出原始隐藏状态、中间隐藏状态、参考点、输出坐标,没有任何特定头部。
此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解所有与一般用法和行为相关的事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.dab_detr.modeling_dab_detr.DabDetrModelOutput
or tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。像素值可以使用{image_processor_class}
获取。有关详细信息,请参见{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
处理图像)。 - pixel_mask (
torch.LongTensor
,形状为(batch_size, height, width)
,可选) — 用于避免对填充像素值执行注意力操作的掩码。掩码值选择在[0, 1]
之间:- 1 表示真实像素(即未被掩盖),
- 0 表示填充像素(即被掩盖)。
- decoder_attention_mask (
torch.FloatTensor
,形状为(batch_size, num_queries)
,可选) — 默认不使用。可用于掩盖对象查询。 - encoder_outputs (
torch.FloatTensor
,可选) — 元组由(last_hidden_state
,可选:hidden_states
,可选:attentions
)组成。last_hidden_state
的形状为(batch_size, sequence_length, hidden_size)
,可选)是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,除了传递扁平化的特征图(骨干网络 + 投影层的输出)之外,您也可以选择直接传递图像的扁平化表示。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, num_queries, hidden_size)
,可选) — 可选地,除了用全零张量初始化查询之外,您也可以选择直接传递嵌入表示。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是纯元组。
返回
transformers.models.dab_detr.modeling_dab_detr.DabDetrModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.dab_detr.modeling_dab_detr.DabDetrModelOutput
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(DabDetrConfig)和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层输出的隐藏状态序列。 -
past_key_values (
~cache_utils.EncoderDecoderCache
, 可选, 当传入use_cache=True
或config.use_cache=True
时返回) — 它是一个 Cache 实例。有关更多详细信息,请参阅我们的 kv cache 指南。包含预先计算的隐藏状态(自注意力块中的键和值,如果
config.is_encoder_decoder=True
,则可选地在交叉注意力块中),可用于(参见past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple[torch.FloatTensor, ...]
, 可选, 当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则为嵌入层输出一个,加上每个层输出一个),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
decoder_attentions (
tuple[torch.FloatTensor, ...]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
cross_attentions (
tuple[torch.FloatTensor, ...]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_hidden_states (
tuple[torch.FloatTensor, ...]
, 可选, 当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则为嵌入层输出一个,加上每个层输出一个),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
encoder_attentions (
tuple[torch.FloatTensor, ...]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
intermediate_hidden_states (
torch.FloatTensor
,形状为(config.decoder_layers, batch_size, sequence_length, hidden_size)
,可选,当config.auxiliary_loss=True
时返回) — 中间解码器激活,即每个解码器层的输出,每个输出都经过了层归一化。 -
reference_points (
torch.FloatTensor
,形状为(config.decoder_layers, batch_size, num_queries, 2 (anchor points))
) — 参考点(解码器每一层的参考点)。
DabDetrModel 的 forward 方法,覆盖了 __call__
特殊方法。
虽然前向传播的配方需要在此函数中定义,但之后应该调用 Module
实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则悄悄地忽略它们。
示例
>>> from transformers import AutoImageProcessor, AutoModel
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab_detr-base")
>>> model = AutoModel.from_pretrained("IDEA-Research/dab_detr-base")
>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # forward pass
>>> outputs = model(**inputs)
>>> # the last hidden states are the final query embeddings of the Transformer decoder
>>> # these are of shape (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]
DabDetrForObjectDetection
class transformers.DabDetrForObjectDetection
< source >( config: DabDetrConfig )
参数
- config (DabDetrConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
DAB_DETR 模型(由骨干网络和编解码器 Transformer 组成),顶部带有用于目标检测任务(如 COCO 检测)的检测头部。
此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档以了解所有与一般用法和行为相关的事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[list[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.dab_detr.modeling_dab_detr.DabDetrObjectDetectionOutput
or tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。像素值可以使用{image_processor_class}
获取。有关详细信息,请参见{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
处理图像)。 - pixel_mask (
torch.LongTensor
,形状为(batch_size, height, width)
,可选) — 用于避免对填充像素值执行注意力操作的掩码。掩码值选择在[0, 1]
之间:- 1 表示真实像素(即未被掩盖),
- 0 表示填充像素(即被掩盖)。
- decoder_attention_mask (
torch.FloatTensor
,形状为(batch_size, num_queries)
,可选) — 默认不使用。可用于掩盖对象查询。 - encoder_outputs (
torch.FloatTensor
,可选) — 元组由(last_hidden_state
,可选:hidden_states
,可选:attentions
)组成。last_hidden_state
的形状为(batch_size, sequence_length, hidden_size)
,可选)是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,除了传递扁平化的特征图(骨干网络 + 投影层的输出)之外,您也可以选择直接传递图像的扁平化表示。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, num_queries, hidden_size)
,可选) — 可选地,除了用全零张量初始化查询之外,您也可以选择直接传递嵌入表示。 - labels (长度为
(batch_size,)
的list[Dict]
,可选) — 用于计算二分匹配损失的标签。字典列表,每个字典至少包含以下两个键:“class_labels”和“boxes”(分别表示批次中图像的类别标签和边界框)。类别标签本身应该是长度为(图像中边界框的数量,)
的torch.LongTensor
,而框则应该是形状为(图像中边界框的数量, 4)
的torch.FloatTensor
。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是纯元组。
返回
transformers.models.dab_detr.modeling_dab_detr.DabDetrObjectDetectionOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.dab_detr.modeling_dab_detr.DabDetrObjectDetectionOutput
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(DabDetrConfig)和输入的不同元素。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 总损失,是用于类别预测的负对数似然(交叉熵)和边界框损失的线性组合。后者定义为 L1 损失和广义尺度不变 IoU 损失的线性组合。 -
loss_dict (
Dict
, 可选) — 包含各个损失的字典。用于日志记录。 -
logits (形状为
(batch_size, num_queries, num_classes + 1)
的torch.FloatTensor
) — 所有查询的分类 logits(包括无对象)。 -
pred_boxes (
torch.FloatTensor
,形状为(batch_size, num_queries, 4)
) — 所有查询的归一化框坐标,表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 范围内归一化,相对于批次中每个独立图像的大小(忽略可能的填充)。您可以使用~DabDetrImageProcessor.post_process_object_detection
来检索未归一化的边界框。 -
auxiliary_outputs (
list[Dict]
, 可选) — 可选,仅当辅助损失被激活(即config.auxiliary_loss
设置为True
)且提供了标签时返回。它是一个字典列表,包含每个解码器层的上述两个键(logits
和pred_boxes
)。 -
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
,可选) — 模型解码器最后一层输出的隐藏状态序列。 -
decoder_hidden_states (
tuple[torch.FloatTensor]
, 可选, 当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则为嵌入层输出一个,加上每个层输出一个),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
decoder_attentions (
tuple[torch.FloatTensor]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
-
cross_attentions (
tuple[torch.FloatTensor]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选,默认为None
) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_hidden_states (
tuple[torch.FloatTensor]
, 可选, 当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则为嵌入层输出一个,加上每个层输出一个),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出时的隐藏状态以及初始嵌入输出。
-
encoder_attentions (
tuple[torch.FloatTensor]
, 可选, 当传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均。
DabDetrForObjectDetection 的 forward 方法,覆盖了 __call__
特殊方法。
虽然前向传播的配方需要在此函数中定义,但之后应该调用 Module
实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则悄悄地忽略它们。
示例
>>> from transformers import AutoImageProcessor, AutoModelForObjectDetection
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50")
>>> model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> with torch.no_grad():
>>> outputs = model(**inputs)
>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([(image.height, image.width)])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.5, target_sizes=target_sizes)[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}"
... )
Detected remote with confidence 0.833 at location [38.31, 72.1, 177.63, 118.45]
Detected cat with confidence 0.831 at location [9.2, 51.38, 321.13, 469.0]
Detected cat with confidence 0.804 at location [340.3, 16.85, 642.93, 370.95]
Detected remote with confidence 0.683 at location [334.48, 73.49, 366.37, 190.01]
Detected couch with confidence 0.535 at location [0.52, 1.19, 640.35, 475.1]