Transformers 文档

数据

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

DETA

此模型仅处于维护模式,我们不接受任何更改其代码的新 PR。如果您在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.40.2。您可以通过运行以下命令来执行此操作:pip install -U transformers==4.40.2

概述

DETA 模型由 Jeffrey Ouyang-Zhang、Jang Hyun Cho、Xingyi Zhou、Philipp Krähenbühl 在 NMS Strikes Back 中提出。DETA(Detection Transformers with Assignment 的缩写)通过将一对一的二分匈牙利匹配损失替换为在具有非极大值抑制 (NMS) 的传统检测器中使用的一对多标签分配来改进 Deformable DETR。这导致高达 2.5 mAP 的显著提升。

论文的摘要是:

检测 Transformer (DETR) 通过在训练期间使用一对一二分匹配将查询直接转换为唯一对象,并实现端到端目标检测。最近,这些模型在 COCO 上的表现已经超过了传统的检测器,其简洁性无可否认。然而,它们在多种设计上与传统检测器不同,包括模型架构和训练计划,因此一对一匹配的有效性尚未得到充分理解。在这项工作中,我们对 DETR 中的一对一匈牙利匹配和具有非极大值监督 (NMS) 的传统检测器中的一对多标签分配进行了严格的比较。令人惊讶的是,我们观察到在相同设置下,使用 NMS 的一对多分配始终优于标准的一对一匹配,并实现了高达 2.5 mAP 的显著提升。我们的检测器使用传统的基于 IoU 的标签分配训练 Deformable-DETR,在 12 个 epoch(1x 计划)内使用 ResNet50 骨干网络实现了 50.2 COCO mAP,优于此设置中所有现有的传统或基于 Transformer 的检测器。在多个数据集、计划和架构上,我们始终表明二分匹配对于高性能检测 Transformer 来说是不必要的。此外,我们将检测 Transformer 的成功归功于它们富有表现力的 Transformer 架构。

drawing DETA 概述。摘自 原始论文

此模型由 nielsr 贡献。原始代码可以在 此处 找到。

资源

Hugging Face 官方和社区(🌎 表示)资源列表,可帮助您开始使用 DETA。

如果您有兴趣提交资源以包含在此处,请随时打开拉取请求,我们将进行审核!理想情况下,该资源应该展示一些新内容,而不是复制现有资源。

DetaConfig

transformers.DetaConfig

< >

( backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None num_queries = 900 max_position_embeddings = 2048 encoder_layers = 6 encoder_ffn_dim = 2048 encoder_attention_heads = 8 decoder_layers = 6 decoder_ffn_dim = 1024 decoder_attention_heads = 8 encoder_layerdrop = 0.0 is_encoder_decoder = True activation_function = 'relu' d_model = 256 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 init_xavier_std = 1.0 return_intermediate = True auxiliary_loss = False position_embedding_type = 'sine' num_feature_levels = 5 encoder_n_points = 4 decoder_n_points = 4 two_stage = True two_stage_num_proposals = 300 with_box_refine = True assign_first_stage = True assign_second_stage = True class_cost = 1 bbox_cost = 5 giou_cost = 2 mask_loss_coefficient = 1 dice_loss_coefficient = 1 bbox_loss_coefficient = 5 giou_loss_coefficient = 2 eos_coefficient = 0.1 focal_alpha = 0.25 disable_custom_kernels = True **kwargs )

参数

  • backbone_config (PretrainedConfigdict, 可选, 默认为 ResNetConfig()) — 骨干模型的配置。
  • backbone (str, 可选) — 当 backbone_configNone 时要使用的骨干名称。如果 use_pretrained_backboneTrue,这将从 timm 或 transformers 库加载相应的预训练权重。如果 use_pretrained_backboneFalse,这将加载骨干的配置并使用它来初始化具有随机权重的骨干。
  • use_pretrained_backbone (bool, 可选, False) — 是否对骨干使用预训练权重。
  • use_timm_backbone (bool, 可选, False) — 是否从 timm 库加载 backbone。如果为 False,则从 transformers 库加载骨干。
  • backbone_kwargs (dict, 可选) — 要传递给 AutoBackbone 的关键字参数,例如从检查点加载时,例如 {'out_indices': (0, 1, 2, 3)}。如果设置了 backbone_config,则无法指定。
  • num_queries (int, 可选, 默认为 900) — 对象查询的数量,即检测槽。这是 DetaModel 可以在单个图像中检测到的最大对象数。如果 two_stage 设置为 True,我们将使用 two_stage_num_proposals 来代替。
  • d_model (int, 可选, 默认为 256) — 层的维度。
  • encoder_layers (int, 可选, 默认为 6) — 编码器层数。
  • decoder_layers (int, 可选, 默认为 6) — 解码器层数。
  • encoder_attention_heads (int, 可选, 默认为 8) — Transformer 编码器中每个注意力层的注意力头数。
  • decoder_attention_heads (int, 可选, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数。
  • decoder_ffn_dim (int, 可选, 默认为 2048) — 解码器中“中间”(通常称为前馈)层的维度。
  • encoder_ffn_dim (int, 可选, 默认为 2048) — 解码器中“中间”(通常称为前馈)层的维度。
  • activation_function (strfunction, 可选, 默认为 "relu") — 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,则支持 "gelu""relu""silu""gelu_new"
  • dropout (float, 可选, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • activation_dropout (float, 可选, 默认为 0.0) — 全连接层内部激活的 dropout 比率。
  • init_std (float, 可选, 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, 可选, 默认为 1) — 在 HM 注意力图模块中用于 Xavier 初始化增益的缩放因子。
  • encoder_layerdrop (float, 可选, 默认为 0.0) — 编码器的 LayerDrop 概率。有关更多详细信息,请参阅 [LayerDrop 论文](请参阅 https://arxiv.org/abs/1909.11556)。
  • auxiliary_loss (bool, 可选, 默认为 False) — 是否使用辅助解码损失(每个解码器层的损失)。
  • position_embedding_type (str, 可选, 默认为 "sine") — 在图像特征之上使用的 positional embedding 的类型。 "sine""learned" 之一。
  • class_cost (float, 可选, 默认为 1) — 分类错误在匈牙利匹配成本中的相对权重。
  • bbox_cost (float可选,默认为 5) — 匈牙利匹配成本中边界框坐标的 L1 误差的相对权重。
  • giou_cost (float可选,默认为 2) — 匈牙利匹配成本中边界框的广义 IoU 损失的相对权重。
  • mask_loss_coefficient (float可选,默认为 1) — 全景分割损失中 Focal 损失的相对权重。
  • dice_loss_coefficient (float可选,默认为 1) — 全景分割损失中 DICE/F-1 损失的相对权重。
  • bbox_loss_coefficient (float可选,默认为 5) — 目标检测损失中 L1 边界框损失的相对权重。
  • giou_loss_coefficient (float可选,默认为 2) — 目标检测损失中广义 IoU 损失的相对权重。
  • eos_coefficient (float可选,默认为 0.1) — 目标检测损失中“无目标”类的相对分类权重。
  • num_feature_levels (int可选,默认为 5) — 输入特征级别的数量。
  • encoder_n_points (int可选,默认为 4) — 编码器中每个注意力头在每个特征级别采样的键的数量。
  • decoder_n_points (int可选,默认为 4) — 解码器中每个注意力头在每个特征级别采样的键的数量。
  • two_stage (bool可选,默认为 True) — 是否应用两阶段可变形 DETR,其中区域建议也由 DETA 的变体生成,并进一步馈送到解码器中进行迭代边界框细化。
  • two_stage_num_proposals (int可选,默认为 300) — 要生成的区域建议的数量,以防 two_stage 设置为 True
  • with_box_refine (bool可选,默认为 True) — 是否应用迭代边界框细化,其中每个解码器层都根据前一层的预测来细化边界框。
  • focal_alpha (float可选,默认为 0.25) — 焦点损失中的 Alpha 参数。
  • assign_first_stage (bool可选,默认为 True) — 如果重叠大于阈值 0.7,是否将每个预测 i 分 assigned to 指向重叠度最高的真实对象。
  • assign_second_stage (bool可选,默认为 True) — 是否在第二阶段分配分配程序,第二阶段的分配程序与第一阶段的分配程序非常相似。
  • disable_custom_kernels (bool可选,默认为 True) — 禁用自定义 CUDA 和 CPU 内核的使用。此选项对于 ONNX 导出是必需的,因为 PyTorch ONNX 导出不支持自定义内核。

这是用于存储 DetaModel 配置的配置类。它用于根据指定的参数实例化 DETA 模型,定义模型架构。使用默认值实例化配置将产生与 DETA SenseTime/deformable-detr 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,请阅读 PretrainedConfig 的文档。

示例

>>> from transformers import DetaConfig, DetaModel

>>> # Initializing a DETA SenseTime/deformable-detr style configuration
>>> configuration = DetaConfig()

>>> # Initializing a model (with random weights) from the SenseTime/deformable-detr style configuration
>>> model = DetaModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

DetaImageProcessor

class transformers.DetaImageProcessor

< >

( format: Union = <AnnotationFormat.COCO_DETECTION: 'coco_detection'> do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BILINEAR: 2> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_annotations: bool = True do_pad: bool = True pad_size: Optional = None **kwargs )

参数

  • format (str可选,默认为 "coco_detection") — 注释的数据格式。 “coco_detection” 或 “coco_panoptic” 之一。
  • do_resize (bool可选,默认为 True) — 控制是否将图像的(高,宽)尺寸调整为指定的 size。可以在 preprocess 方法中通过 do_resize 参数覆盖。
  • size (Dict[str, int]可选,默认为 {"shortest_edge" -- 800, "longest_edge": 1333}):调整大小后图像的 (高,宽) 尺寸。可以在 preprocess 方法中通过 size 参数覆盖。可用选项有:
    • {"height": int, "width": int}:图像将被调整为精确的 (高,宽) 尺寸。不保持纵横比。
    • {"shortest_edge": int, "longest_edge": int}:图像将被调整为最大尺寸, respecter 纵横比,并保持最短边小于或等于 shortest_edge,最长边小于或等于 longest_edge
    • {"max_height": int, "max_width": int}:图像将被调整为最大尺寸, respecter 纵横比,并保持高度小于或等于 max_height,宽度小于或等于 max_width
  • resample (PILImageResampling可选,默认为 PILImageResampling.BILINEAR) — 调整图像大小时使用的重采样滤波器。
  • do_rescale (bool可选,默认为 True) — 控制是否按指定的比例 rescale_factor 重新缩放图像。可以在 preprocess 方法中通过 do_rescale 参数覆盖。
  • rescale_factor (intfloat可选,默认为 1/255) — 如果重新缩放图像,则使用的比例因子。可以在 preprocess 方法中通过 rescale_factor 参数覆盖。 do_normalize — 控制是否对图像进行归一化。可以在 preprocess 方法中通过 do_normalize 参数覆盖。
  • image_mean (floatList[float]可选,默认为 IMAGENET_DEFAULT_MEAN) — 归一化图像时使用的平均值。可以是单个值或值列表,每个通道一个值。可以在 preprocess 方法中通过 image_mean 参数覆盖。
  • image_std (floatList[float]可选,默认为 IMAGENET_DEFAULT_STD) — 归一化图像时使用的标准差值。可以是单个值或值列表,每个通道一个值。可以通过 preprocess 方法中的 image_std 参数覆盖。
  • do_convert_annotations (bool可选,默认为 True) — 控制是否将注释转换为 DETR 模型预期的格式。将边界框转换为 (center_x, center_y, width, height) 格式,范围为 [0, 1]。可以通过 preprocess 方法中的 do_convert_annotations 参数覆盖。
  • do_pad (bool可选,默认为 True) — 控制是否填充图像。可以通过 preprocess 方法中的 do_pad 参数覆盖。如果为 True,则将在图像的底部和右侧用零填充。如果提供了 pad_size,则图像将被填充到指定的尺寸。否则,图像将被填充到批次的最大高度和宽度。
  • pad_size (Dict[str, int]可选) — 将图像填充到的尺寸 {"height": int, "width" int}。必须大于为预处理提供的任何图像尺寸。如果未提供 pad_size,则图像将被填充到批次中的最大高度和宽度。

构造一个 Deformable DETR 图像处理器。

预处理

< >

( images: Union annotations: Union = None return_segmentation_masks: bool = None masks_path: Union = None do_resize: Optional = None size: Optional = None resample = None do_rescale: Optional = None rescale_factor: Union = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None do_convert_annotations: Optional = None do_pad: Optional = None format: Union = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None pad_size: Optional = None **kwargs )

参数

  • images (ImageInput) — 要预处理的图像或图像批次。期望单个或一批像素值范围为 0 到 255 的图像。如果传入像素值介于 0 和 1 之间的图像,请设置 do_rescale=False
  • annotations (List[Dict]List[List[Dict]], 可选) — 与图像或图像批次关联的注释列表。如果注释用于目标检测,则注释应为包含以下键的字典:
    • “image_id” (int):图像 ID。
    • “annotations” (List[Dict]):图像注释列表。每个注释都应为字典。图像可以没有注释,在这种情况下,列表应为空。如果注释用于分割,则注释应为包含以下键的字典:
    • “image_id” (int):图像 ID。
    • “segments_info” (List[Dict]):图像片段列表。每个片段都应为字典。图像可以没有片段,在这种情况下,列表应为空。
    • “file_name” (str):图像的文件名。
  • return_segmentation_masks (bool, 可选, 默认为 self.return_segmentation_masks) — 是否返回分割掩码。
  • masks_path (strpathlib.Path, 可选) — 包含分割掩码的目录的路径。
  • do_resize (bool可选,默认为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int]可选,默认为 self.size) — 调整大小后图像的 (height, width) 尺寸。可用选项有:
    • {"height": int, "width": int}:图像将被调整为精确的 (height, width) 尺寸。不保持纵横比。
    • {"shortest_edge": int, "longest_edge": int}:图像将被调整为最大尺寸,尊重纵横比,并保持最短边小于或等于 shortest_edge,最长边小于或等于 longest_edge
    • {"max_height": int, "max_width": int}:图像将被调整为最大尺寸,尊重纵横比,并保持高度小于或等于 max_height,宽度小于或等于 max_width
  • resample (PILImageResampling可选,默认为 self.resample) — 调整图像大小 时使用的重采样过滤器。
  • do_rescale (bool可选,默认为 self.do_rescale) — 是否重新缩放图像。
  • rescale_factor (float可选,默认为 self.rescale_factor) — 重新缩放图像时使用的缩放因子。
  • do_normalize (bool可选,默认为 self.do_normalize) — 是否对图像进行归一化。
  • image_mean (floatList[float]可选,默认为 self.image_mean) — 归一化图像时使用的均值。
  • image_std (floatList[float]可选,默认为 self.image_std) — 归一化图像时使用的标准差。
  • do_convert_annotations (bool可选,默认为 self.do_convert_annotations) — 是否将注释转换为模型期望的格式。将边界框的格式从 (top_left_x, top_left_y, width, height) 转换为 (center_x, center_y, width, height),并使用相对坐标。
  • do_pad (bool可选,默认为 self.do_pad) — 是否填充图像。如果为 True,则使用零填充图像的底部和右侧。如果提供了 pad_size,则图像将被填充到指定的尺寸。否则,图像将被填充到批处理的最大高度和宽度。
  • format (strAnnotationFormat可选,默认为 self.format) — 注释的格式。
  • return_tensors (strTensorType可选,默认为 self.return_tensors) — 要返回的张量类型。如果为 None,则返回图像列表。
  • data_format (ChannelDimensionstr可选,默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像采用 (num_channels, height, width) 格式。
    • "channels_last"ChannelDimension.LAST:图像采用 (height, width, num_channels) 格式。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像采用 (num_channels, height, width) 格式。
    • "channels_last"ChannelDimension.LAST:图像采用 (height, width, num_channels) 格式。
    • "none"ChannelDimension.NONE:图像采用 (height, width) 格式。
  • pad_size (Dict[str, int]可选) — 用于将图像填充到的尺寸 {"height": int, "width" int}。必须大于预处理提供的任何图像尺寸。如果未提供 pad_size,则图像将填充到批次中的最大高度和宽度。

预处理单个图像或一批图像,以便模型可以使用它。

post_process_object_detection

< >

( outputs threshold: float = 0.5 target_sizes: Union = None nms_threshold: float = 0.7 ) List[Dict]

参数

  • outputs (DetrObjectDetectionOutput) — 模型的原始输出。
  • threshold (float可选,默认为 0.5) — 保留对象检测预测的分数阈值。
  • target_sizes (torch.TensorList[Tuple[int, int]]可选) — 形状为 (batch_size, 2) 的张量或包含批次中每个图像的目标尺寸(高度,宽度)的元组列表 (Tuple[int, int])。如果保留为 None,则不会调整预测的大小。
  • nms_threshold (float可选,默认为 0.7) — NMS 阈值。

返回值

List[Dict]

一个字典列表,每个字典包含模型预测的批次中图像的分数、标签和边界框。

DetaForObjectDetection 的输出转换为最终边界框,格式为 (top_left_x, top_left_y, bottom_right_x, bottom_right_y)。仅支持 PyTorch。

DetaModel

transformers.DetaModel

< >

( config: DetaConfig )

参数

  • config (DetaConfig) — 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关联的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

基本的 DETA 模型(由骨干网络和编码器-解码器 Transformer 组成)输出原始隐藏状态,顶部没有任何特定的头部。

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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: Optional = None decoder_attention_mask: Optional = None encoder_outputs: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.deprecated.deta.modeling_deta.DetaModelOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。如果您提供填充,默认情况下将忽略它。

    可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 AutoImageProcessor.__call__()

  • pixel_mask (torch.LongTensor 形状为 (batch_size, height, width), 可选) — 避免对填充像素值执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示真实的像素(即未被掩码),
    • 0 表示填充像素(即被掩码)。

    什么是注意力掩码?

  • decoder_attention_mask (torch.FloatTensor 形状为 (batch_size, num_queries), 可选) — 默认情况下不使用。可用于屏蔽对象查询。
  • encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选: hidden_states, 可选: attentions) 组成。形状为 (batch_size, sequence_length, hidden_size)last_hidden_state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) — 或者,您可以选择直接传递图像的扁平化表示,而不是传递扁平化特征图(主干网络 + 投影层的输出)。
  • decoder_inputs_embeds (torch.FloatTensor 形状为 (batch_size, num_queries, hidden_size), 可选) — 或者,您可以选择直接传递嵌入表示,而不是使用零张量初始化查询。
  • 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,请参阅返回张量下的 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,请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。

返回值

transformers.models.deprecated.deta.modeling_deta.DetaModelOutputtuple(torch.FloatTensor)

一个 transformers.models.deprecated.deta.modeling_deta.DetaModelOutput 或一个 torch.FloatTensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False 时)包含根据配置(DetaConfig)和输入的不同元素。

  • init_reference_points (torch.FloatTensor 形状为 (batch_size, num_queries, 4)) — 发送到 Transformer 解码器的初始参考点。
  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_queries, hidden_size)) — 模型解码器最后一层输出的隐藏状态序列。
  • intermediate_hidden_states (torch.FloatTensor 形状为 (batch_size, config.decoder_layers, num_queries, hidden_size)) — 堆叠的中间隐藏状态(解码器每一层的输出)。
  • intermediate_reference_points (torch.FloatTensor 形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间参考点(解码器每一层的参考点)。
  • decoder_hidden_states (tuple(torch.FloatTensor), 可选,当传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为 (batch_size, num_queries, hidden_size)。解码器在每一层输出的隐藏状态加上初始嵌入输出。
  • decoder_attentions (tuple(torch.FloatTensor), 可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),形状为 (batch_size, num_heads, num_queries, num_queries)。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值。
  • cross_attentions (tuple(torch.FloatTensor), 可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),形状为 (batch_size, num_queries, num_heads, 4, 4)。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值。
  • 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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)。编码器在每一层输出的隐藏状态加上初始嵌入输出。
  • encoder_attentions (tuple(torch.FloatTensor), 可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),形状为 (batch_size, num_queries, num_heads, 4, 4)。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值。
  • enc_outputs_class (torch.FloatTensor 形状为 (batch_size, sequence_length, config.num_labels), 可选,当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 预测的边界框分数,其中得分最高的 config.two_stage_num_proposals 个边界框在第一阶段被选为区域建议。边界框二分类的输出(即前景和背景)。
  • enc_outputs_coord_logits (torch.FloatTensor 形状为 (batch_size, sequence_length, 4), 可选,当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 第一阶段预测的边界框坐标的对数。
  • output_proposals (torch.FloatTensor 形状为 (batch_size, sequence_length, 4), 可选,当 config.two_stage=True 时返回) — gen_encoder_output_proposals 中建议边界框坐标的对数。

DetaModel 的 forward 方法重写了 __call__ 特殊方法。

尽管前向传递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,而后者则默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, DetaModel
>>> 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("jozhang97/deta-swin-large-o365")
>>> model = DetaModel.from_pretrained("jozhang97/deta-swin-large-o365", two_stage=False)

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 900, 256]

DetaForObjectDetection

transformers.DetaForObjectDetection

< >

( config: DetaConfig )

参数

  • config (DetaConfig) — 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关联的权重,只会加载配置。 请查看 from_pretrained() 方法来加载模型权重。

DETA 模型(由骨干网络和编码器-解码器 Transformer 组成),顶部带有目标检测头,用于 COCO 检测等任务。

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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: Optional = None decoder_attention_mask: Optional = None encoder_outputs: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.deprecated.deta.modeling_deta.DetaObjectDetectionOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。 如果提供填充,默认情况下将忽略它。

    像素值可以使用 AutoImageProcessor 获取。 请参阅 AutoImageProcessor.__call__() 了解更多详细信息。

  • pixel_mask (torch.LongTensor 形状为 (batch_size, height, width), 可选) — 蒙版,用于避免对填充像素值执行注意力。 在 [0, 1] 中选择的蒙版值:

    • 1 表示真实的像素(即 未被屏蔽),
    • 0 表示填充像素(即 被屏蔽)。

    什么是注意力蒙版?

  • decoder_attention_mask (torch.FloatTensor 形状为 (batch_size, num_queries), 可选) — 默认情况下不使用。 可以用来屏蔽目标查询。
  • encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选: hidden_states, 可选: attentions) 组成。last_hidden_state 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) — 或者,您可以选择直接传递图像的扁平化表示,而不是传递扁平化特征图(主干 + 投影层的输出)。
  • decoder_inputs_embeds (torch.FloatTensor 形状为 (batch_size, num_queries, hidden_size), 可选) — 或者,您可以选择直接传递嵌入表示,而不是使用零张量初始化查询。
  • 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,请参阅返回张量下的 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,请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (长度为 (batch_size,)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 2 个键:'class_labels' 和 'boxes'(分别为批次中图像的类别标签和边界框)。类别标签本身应为长度为 (图像中边界框的数量,)torch.LongTensor,边界框应为形状为 (图像中边界框的数量, 4)torch.FloatTensor

返回值

transformers.models.deprecated.deta.modeling_deta.DetaObjectDetectionOutputtuple(torch.FloatTensor)

一个 transformers.models.deprecated.deta.modeling_deta.DetaObjectDetectionOutput 或一个 torch.FloatTensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (DetaConfig) 和输入的不同元素。

  • loss (torch.FloatTensor ,形状为 (1,)可选,当提供 labels 时返回) — 作为类别预测的负对数似然(交叉熵)和边界框损失的线性组合的总损失。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。对日志记录很有用。
  • logits (torch.FloatTensor ,形状为 (batch_size, num_queries, num_classes + 1)) — 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] 范围内进行归一化,相对于批次中每个图像的大小(忽略可能的填充)。您可以使用 ~DetaProcessor.post_process_object_detection 检索未归一化的边界框。
  • auxiliary_outputs (list[Dict]可选) — 可选,仅当激活辅助损失(即 config.auxiliary_loss 设置为 True)并提供标签时返回。它是一个字典列表,包含每个解码器层的上述两个键(logitspred_boxes)。
  • last_hidden_state (torch.FloatTensor ,形状为 (batch_size, num_queries, hidden_size)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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为 (batch_size, num_queries, hidden_size)。解码器在每一层输出的隐藏状态加上初始嵌入输出。
  • decoder_attentions (tuple(torch.FloatTensor), 可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),形状为 (batch_size, num_heads, num_queries, num_queries)。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值。
  • cross_attentions (tuple(torch.FloatTensor), 可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),形状为 (batch_size, num_queries, num_heads, 4, 4)。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值。
  • 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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)。编码器在每一层输出的隐藏状态加上初始嵌入输出。
  • encoder_attentions (tuple(torch.FloatTensor)可选,当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, sequence_length, num_heads, 4, 4)。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值。
  • intermediate_hidden_states (torch.FloatTensor 形状为 (batch_size, config.decoder_layers, num_queries, hidden_size)) — 堆叠的中间隐藏状态(解码器每一层的输出)。
  • intermediate_reference_points (torch.FloatTensor 形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间参考点(解码器每一层的参考点)。
  • init_reference_points (torch.FloatTensor 形状为 (batch_size, num_queries, 4)) — 发送到 Transformer 解码器的初始参考点。
  • enc_outputs_class (torch.FloatTensor 形状为 (batch_size, sequence_length, config.num_labels), 可选,当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 预测的边界框分数,其中得分最高的 config.two_stage_num_proposals 个边界框在第一阶段被选为区域建议。边界框二分类的输出(即前景和背景)。
  • enc_outputs_coord_logits (torch.FloatTensor 形状为 (batch_size, sequence_length, 4), 可选,当 config.with_box_refine=Trueconfig.two_stage=True 时返回) — 第一阶段预测的边界框坐标的对数。
  • output_proposals (torch.FloatTensor 形状为 (batch_size, sequence_length, 4), 可选,当 config.two_stage=True 时返回) — gen_encoder_output_proposals 中建议边界框坐标的对数。

DetaForObjectDetection 的前向方法,覆盖了 __call__ 特殊方法。

尽管前向传递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,而后者则默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, DetaForObjectDetection
>>> 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("jozhang97/deta-swin-large")
>>> model = DetaForObjectDetection.from_pretrained("jozhang97/deta-swin-large")

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

>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> 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 cat with confidence 0.802 at location [9.87, 54.36, 316.93, 473.44]
Detected cat with confidence 0.795 at location [346.62, 24.35, 639.62, 373.2]
Detected remote with confidence 0.725 at location [40.41, 73.36, 175.77, 117.29]
Detected remote with confidence 0.638 at location [333.34, 76.81, 370.22, 187.94]
Detected couch with confidence 0.584 at location [0.03, 0.99, 640.02, 474.93]
< > 在 GitHub 上更新