参数

• images (ImageInput) — 要预处理的图像或一批图像。期望是像素值范围从 0 到 255 的单个或一批图像。如果传入的图像像素值介于 0 和 1 之间，请设置 do_rescale=False。
• annotations (AnnotationType 或 List[AnnotationType], 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，则注释应为包含以下键的字典：
  • “image_id” (int): 图像 ID。
  • “annotations” (List[Dict]): 图像的注释列表。每个注释应为一个字典。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]): 图像的分割信息列表。每个分割信息应为一个字典。图像可以没有分割信息，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 (高度, 宽度) 尺寸大小。可用选项包括：
  • {"height": int, "width": int}: 图像将被调整为确切的大小 (height, width)。不保持宽高比。
  • {"shortest_edge": int, "longest_edge": int}: 图像将被调整为最大尺寸，同时保持宽高比，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，同时保持宽高比，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。
• 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。将边界框从 (top_left_x, top_left_y, width, height) 格式转换为 (center_x, center_y, width, height) 格式，并转换为相对坐标。
• 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_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果为 True，则将在图像的底部和右侧应用零填充。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中最大的高度和宽度。
• 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) — 返回张量的类型。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: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • 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，则通道维度格式将从输入图像推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。
• pad_size (Dict[str, int], 可选) — 将图像填充到的尺寸 {"height": int, "width" int}。必须大于提供的任何用于预处理的图像尺寸。如果未提供 pad_size，则图像将被填充到批次中最大的高度和宽度。

参数

• outputs (GroundingDinoObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选) — 保留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，或包含批次中每张图像的目标大小 (height, width) 的元组列表 (Tuple[int, int])。如果未设置，则不会调整预测大小。

字典列表，每个字典包含模型预测的批次中图像的分数、标签和框。

参数

• outputs (GroundingDinoObjectDetectionOutput) — 模型的原始输出。
• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 输入文本的 token ids。
• box_threshold (float, 可选，默认为 0.25) — 保留物体检测预测的分数阈值。
• text_threshold (float, 可选，默认为 0.25) — 保留文本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 Tensor 或元组列表 (Tuple[int, int])，其中包含批次中每张图像的目标大小 (height, width)。如果未设置，则不会调整预测大小。

字典列表，每个字典包含模型预测的批次中图像的分数、标签和框。

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，默认情况下将忽略填充。

  像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 GroundingDinoImageProcessor.call()。

• input_ids (torch.LongTensor，形状为 (batch_size, text_sequence_length)) — 词汇表中输入序列标记的索引。如果您提供填充，默认情况下将忽略填充。

  索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 BertTokenizer.call()。

• token_type_ids (torch.LongTensor，形状为 (batch_size, text_sequence_length)，可选) — 分段标记索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：0 对应于 sentence A 标记，1 对应于 sentence B 标记

  什么是标记类型 ID？

• attention_mask (torch.LongTensor，形状为 (batch_size, text_sequence_length)，可选) — 掩码，以避免对填充标记索引执行注意力机制。掩码值在 [0, 1] 中选择：
  • 1 代表真实标记（即未被掩码），
  • 0 代表填充标记（即被掩码）。

  什么是注意力掩码？

• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 掩码，以避免对填充像素值执行注意力机制。掩码值在 [0, 1] 中选择：
  • 1 代表真实像素（即未被掩码），
  • 0 代表填充像素（即被掩码）。

  什么是注意力掩码？

• encoder_outputs (tuple(tuple(torch.FloatTensor)，可选) — 元组由 (last_hidden_state_vision，可选：last_hidden_state_text，可选：vision_hidden_states，可选：text_hidden_states，可选：attentions) 组成。 last_hidden_state_vision 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。在解码器的交叉注意力机制中使用。
• 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.grounding_dino.modeling_grounding_dino.GroundingDinoModelOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (GroundingDinoConfig) 和输入。

• 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。
• 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。
• 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，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, num_queries, hidden_size)。解码器在每一层输出以及初始嵌入输出处的隐藏状态。
• decoder_attentions (tuple(tuple(torch.FloatTensor))，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组的元组（每一层的注意力一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 之后的注意力权重，用于计算自注意力、交叉注意力和多尺度可变形注意力头中的加权平均值。
• encoder_last_hidden_state_vision (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_last_hidden_state_text (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_vision_hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（视觉嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, sequence_length, hidden_size)。视觉编码器在每一层输出以及初始嵌入输出处的隐藏状态。
• encoder_text_hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（文本嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, sequence_length, hidden_size)。文本编码器在每一层输出以及初始嵌入输出处的隐藏状态。
• encoder_attentions (tuple(tuple(torch.FloatTensor))，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组的元组（每一层的注意力一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 之后的注意力权重，用于计算文本-视觉注意力、视觉-文本注意力、文本增强器（自注意力）和多尺度可变形注意力头中的加权平均值。注意力 softmax，用于计算双向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.two_stage=True 时返回) — 预测的边界框分数，其中前 config.num_queries 个得分最高的边界框在第一阶段被选为区域提议。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.two_stage=True 时返回) — 第一阶段中预测的边界框坐标的 Logits。

参数

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

  像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 GroundingDinoImageProcessor.call()。

• input_ids (torch.LongTensor of shape (batch_size, text_sequence_length)) — 词汇表中输入序列 tokens 的索引。如果您提供填充，默认情况下将被忽略。

  索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 BertTokenizer.call()。

• token_type_ids (torch.LongTensor of shape (batch_size, text_sequence_length), optional) — 段落 tokens 索引，用于指示输入的第一部分和第二部分。 索引在 [0, 1] 中选择：0 对应于 sentence A token，1 对应于 sentence B token

  什么是 token 类型 ID？

• attention_mask (torch.LongTensor of shape (batch_size, text_sequence_length), optional) — 用于避免在填充 token 索引上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 代表真实 tokens（即，未被 mask），
  • 0 代表填充 tokens（即，被 mask）。

  什么是 attention masks？

• pixel_mask (torch.LongTensor of shape (batch_size, height, width), optional) — 用于避免在填充像素值上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 代表真实像素（即，未被 mask），
  • 0 代表填充像素（即，被 mask）。

  什么是 attention masks？

• encoder_outputs (tuple(tuple(torch.FloatTensor), optional) — 元组由 (last_hidden_state_vision, optional: last_hidden_state_text, optional: vision_hidden_states, optional: text_hidden_states, optional: attentions) 组成。 形状为 (batch_size, sequence_length, hidden_size) 的 last_hidden_state_vision （可选）是编码器最后一层的输出处的隐藏状态序列。 用于解码器的交叉注意力机制。
• output_attentions (bool, optional) — 是否返回所有 attention 层的 attentions 张量。 有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, optional) — 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, optional) — 是否返回 ModelOutput 而不是纯元组。
• labels (List[Dict] of len (batch_size,), optional) — 用于计算二分图匹配损失的标签。 字典列表，每个字典至少包含以下 2 个键：“class_labels” 和 “boxes”（分别是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,) 的 torch.LongTensor，而框应为形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。

一个 transformers.models.grounding_dino.modeling_grounding_dino.GroundingDinoObjectDetectionOutput 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (GroundingDinoConfig) 和输入的各种元素。

• loss (torch.FloatTensor of shape (1,), optional, 当提供 labels 时返回) — 总损失，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。 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, optional) — 包含各个损失的字典。 用于记录日志很有用。
• logits (torch.FloatTensor of shape (batch_size, num_queries, num_classes + 1)) — 所有 queries 的分类 logits（包括无对象）。
• pred_boxes (torch.FloatTensor of shape (batch_size, num_queries, 4)) — 所有 queries 的归一化框坐标，表示为 (center_x, center_y, width, height)。 这些值在 [0, 1] 中归一化，相对于批次中每个单独图像的大小（忽略可能的填充）。 您可以使用 ~GroundingDinoProcessor.post_process_object_detection 来检索未归一化的边界框。
• auxiliary_outputs (List[Dict], optional) — 可选，仅当辅助损失被激活时返回（即，config.auxiliary_loss 设置为 True）并且提供了标签。 它是字典的列表，其中包含每个解码器层的上述两个键（logits 和 pred_boxes）。
• last_hidden_state (torch.FloatTensor of shape (batch_size, num_queries, hidden_size), optional) — 模型解码器最后一层输出处的隐藏状态序列。
• decoder_hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, num_queries, hidden_size)。解码器在每一层输出以及初始嵌入输出处的隐藏状态。
• decoder_attentions (tuple(tuple(torch.FloatTensor))，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组的元组（每一层的注意力一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 之后的注意力权重，用于计算自注意力、交叉注意力和多尺度可变形注意力头中的加权平均值。
• encoder_last_hidden_state_vision (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_last_hidden_state_text (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_vision_hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（视觉嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, sequence_length, hidden_size)。视觉编码器在每一层输出以及初始嵌入输出处的隐藏状态。
• encoder_text_hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（文本嵌入输出的输出一个，每一层输出一个），形状为 (batch_size, sequence_length, hidden_size)。文本编码器在每一层输出以及初始嵌入输出处的隐藏状态。
• encoder_attentions (tuple(tuple(torch.FloatTensor)), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组的元组（每层 attention 一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。 attention softmax 之后的 Attention 权重，用于计算文本-视觉 attention、视觉-文本 attention、文本增强器（自注意力）和多尺度可变形 attention 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)) — 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.two_stage=True 时返回) — 预测的边界框分数，其中前 config.num_queries 个得分最高的边界框在第一阶段被选为区域提议。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.two_stage=True 时返回) — 第一阶段中预测的边界框坐标的 Logits。