参数

• images (ImageInput) — 要预处理的图像或图像批次。期望单个或批次的图像，像素值范围从0到255。如果传入的图像像素值在0到1之间，请设置do_rescale=False。
• annotations (list[Dict] 或 list[list[Dict]], 可选) — 与图像或图像批次关联的注释列表。如果注释用于对象检测，则注释应为具有以下键的字典：
  • “image_id”（int）：图像 ID。
  • “annotations”（list[Dict]）：图像的注释列表。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，则注释应为具有以下键的字典：
  • “image_id”（int）：图像 ID。
  • “segments_info”（list[Dict]）：图像的段列表。每个段都应为字典。图像可以没有段，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 (str 或 pathlib.Path, 可选) — 包含分割掩码的目录路径。
• 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。可用选项包括：
  • {"height": int, "width": int}：图像将调整为确切的尺寸 (height, width)。不保持纵横比。
  • {"shortest_edge": int, "longest_edge": int}：图像将调整为最大尺寸，保持纵横比，并使最短边小于或等于 shortest_edge，最长边小于或等于 longest_edge。
  • {"max_height": int, "max_width": int}：图像将调整为最大尺寸，保持纵横比，并使高度小于或等于 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滤波器。
• 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) — 是否标准化图像。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 标准化图像时使用的均值。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 标准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所需的格式。将边界框从 (top_left_x, top_left_y, width, height) 格式转换为 (center_x, center_y, width, height)，并转换为相对坐标。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果为 True，将用零填充图像的底部和右侧。如果提供了 pad_size，图像将填充到指定尺寸。否则，图像将填充到批次的最大高度和宽度。
• format (str 或 AnnotationFormat, 可选, 默认为 self.format) — 注释的格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 要返回的张量类型。如果为 None，将返回图像列表。
• data_format (ChannelDimension 或 str, 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" 或 ChannelDimension.FIRST：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (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 (ChannelDimension 或 str, 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" 或 ChannelDimension.FIRST：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：图像为 (height, width) 格式。
• pad_size (dict[str, int], 可选) — 要填充图像的尺寸 {"height": int, "width" int}。必须大于任何为预处理提供的图像尺寸。如果未提供 pad_size，图像将填充到批次中的最大高度和宽度。

参数

• outputs (DetrObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选, 默认为 0.5) — 保持对象检测预测的分数阈值。
• target_sizes (torch.Tensor 或 list[tuple[int, int]], 可选) — 形状为 (batch_size, 2) 的张量或元组列表 (tuple[int, int])，其中包含批次中每个图像的目标大小（高度，宽度）。如果留空，则预测不会调整大小。
• nms_threshold (float, 可选, 默认为 0.7) — NMS 阈值。

一个字典列表，每个字典包含模型预测的批处理中每张图像的分数、标签和框。

参数

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

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

• 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的遮罩。遮罩值在 [0, 1] 中选择：
  • 1 表示真实像素（即未遮罩），
  • 0 表示填充像素（即已遮罩）。

  什么是注意力遮罩？

• decoder_attention_mask (torch.FloatTensor, 形状为 (batch_size, num_queries), 可选) — 默认不使用。可用于遮罩对象查询。
• encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组包含 (last_hidden_state, 可选: hidden_states, 可选: attentions) 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) — 可选地，除了传递扁平化的特征图（骨干网 + 投影层的输出），您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，除了使用零张量初始化查询，您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。

一个 transformers.models.deprecated.deta.modeling_deta.DetaModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 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)) — 通过 Transformer 解码器发送的初始参考点。
• 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（解码器每层的参考点）。
• decoder_hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出 + 每个层的输出一个），形状为 (batch_size, num_queries, hidden_size)。解码器在每层输出处的隐藏状态加上初始嵌入输出。
• decoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），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。
• cross_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），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。
• 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, 当传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出 + 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。编码器在每层输出处的隐藏状态加上初始嵌入输出。
• encoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），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。
• enc_outputs_class (torch.FloatTensor, 形状为 (batch_size, sequence_length, config.num_labels), 可选, 当 config.with_box_refine=True 和 config.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提案。边界框二元分类（即前景和背景）的输出。
• enc_outputs_coord_logits (torch.FloatTensor, 形状为 (batch_size, sequence_length, 4), 可选, 当 config.with_box_refine=True 和 config.two_stage=True 时返回) — 第一阶段预测的边界框坐标的 logits。
• 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` 中提案边界框坐标的 logits。

参数

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

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

• 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的遮罩。遮罩值在 [0, 1] 中选择：
  • 1 表示真实像素（即未遮罩），
  • 0 表示填充像素（即已遮罩）。

  什么是注意力遮罩？

• decoder_attention_mask (torch.FloatTensor, 形状为 (batch_size, num_queries), 可选) — 默认不使用。可用于遮罩对象查询。
• encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组包含 (last_hidden_state, 可选: hidden_states, 可选: attentions) 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) — 可选地，除了传递扁平化的特征图（骨干网 + 投影层的输出），您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，除了使用零张量初始化查询，您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 (list[Dict], 长度为 (batch_size,), 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”（分别表示批处理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，而框应该是形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。

一个 transformers.models.deprecated.deta.modeling_deta.DetaObjectDetectionOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 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, 当提供了 labels 时返回) — 总损失，是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)。这些值归一化到 [0, 1] 范围，相对于批处理中每个单独图像的大小（忽略可能的填充）。您可以使用 ~DetaProcessor.post_process_object_detection 来检索未归一化的边界框。
• auxiliary_outputs (list[Dict], 可选) — 可选，仅当辅助损失激活（即 config.auxiliary_loss 设置为 True）且提供标签时返回。它是字典列表，每个字典包含上述两个键（logits 和 pred_boxes），对应每个解码器层。
• 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, 当传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出 + 每个层的输出一个），形状为 (batch_size, num_queries, hidden_size)。解码器在每层输出处的隐藏状态加上初始嵌入输出。
• decoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），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。
• cross_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），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。
• 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, 当传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出 + 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。编码器在每层输出处的隐藏状态加上初始嵌入输出。
• encoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 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。
• 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（解码器每层的参考点）。
• init_reference_points (torch.FloatTensor, 形状为 (batch_size, num_queries, 4)) — 通过 Transformer 解码器发送的初始参考点。
• enc_outputs_class (torch.FloatTensor, 形状为 (batch_size, sequence_length, config.num_labels), 可选, 当 config.with_box_refine=True 和 config.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提案。边界框二元分类（即前景和背景）的输出。
• enc_outputs_coord_logits (torch.FloatTensor, 形状为 (batch_size, sequence_length, 4), 可选, 当 config.with_box_refine=True 和 config.two_stage=True 时返回) — 第一阶段预测的边界框坐标的 logits。
• 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` 中提案边界框坐标的 logits。