参数

• images (ImageInput) — 待预处理的图像或图像批次。期望是像素值范围在 0 到 255 之间的单个或批量图像。如果传入像素值在 0 到 1 之间的图像，请设置 `do_rescale=False`。
• annotations (AnnotationType 或 list[AnnotationType], 可选) — 与图像或图像批次相关联的标注列表。如果标注用于目标检测，标注应为一个字典，包含以下键：
  • “image_id” (int)：图像 ID。
  • “annotations” (list[Dict])：图像的标注列表。每个标注应为一个字典。一张图像可以没有标注，此时列表应为空。如果标注用于分割，标注应为一个字典，包含以下键：
  • “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。一张图像可以没有分割信息，此时列表应为空。
  • “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。可用选项有：
  • `{"height": int, "width": int}`：图像将被调整为精确的 `(height, width)` 尺寸。不保持宽高比。
  • `{"shortest_edge": int, "longest_edge": int}`：图像将在保持宽高比的情况下调整大小，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}`：图像将在保持宽高比的情况下调整大小，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。
• do_convert_annotations (bool, 可选, 默认为 self.do_convert_annotations) — 是否将标注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，并使用相对坐标。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 对图像进行归一化时使用的均值。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 对图像进行归一化时使用的标准差。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否对图像进行填充。如果为 `True`，则会在图像的底部和右侧用零填充。如果提供了 `pad_size`，图像将被填充到指定尺寸。否则，图像将被填充到批次中的最大高度和宽度。
• format (str 或 AnnotationFormat, 可选, 默认为 self.format) — 标注的格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 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，将从输入图像中推断通道维度格式。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)。
  • "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}。必须大于为预处理提供的任何图像尺寸。如果未提供 pad_size，图像将被填充到批处理中最大的高度和宽度。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 待预处理的图像。需要单个或一批像素值范围在 0 到 255 之间的图像。如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
• annotations (AnnotationType 或 list[AnnotationType], 可选) — 与图像或图像批次相关联的标注列表。如果标注用于目标检测，标注应为一个字典，包含以下键：
  • “image_id” (int)：图像 ID。
  • “annotations” (list[Dict])：图像的标注列表。每个标注应为一个字典。一张图像可以没有标注，此时列表应为空。如果标注用于分割，标注应为一个字典，包含以下键：
  • “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。一张图像可以没有分割信息，此时列表应为空。
  • “file_name” (str)：图像的文件名。
• masks_path (str 或 pathlib.Path, 可选) — 包含分割掩码的目录路径。
• do_resize (bool, 可选) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型最大输入尺寸。
• default_to_square (bool, 可选) — 当 size 为整数时，调整大小时是否默认为正方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，使用的重采样滤波器。可以是 PILImageResampling 枚举之一。仅在 do_resize 设置为 True 时有效。
• do_center_crop (bool, 可选) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], 可选) — 应用 center_crop 后输出图像的尺寸。
• do_rescale (bool, 可选) — 是否对图像进行缩放。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，用于缩放图像的缩放因子。
• do_normalize (bool, 可选) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像均值。仅在 do_normalize 设置为 True 时有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅在 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, 可选) — 是否将图像转换为 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，将从输入图像中推断通道维度格式。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)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。
• device (torch.device, 可选) — 处理图像的设备。如果未设置，将从输入图像中推断设备。
• disable_grouping (bool, 可选) — 是否禁用按尺寸对图像进行分组，以便单独处理而不是按批处理。如果为 None，则在图像位于 CPU 上时设置为 True，否则设置为 False。此选择基于经验观察，详见：https://github.com/huggingface/transformers/pull/38157
• format (str, 可选, 默认为 AnnotationFormat.COCO_DETECTION) — 标注的数据格式。可以是“coco_detection”或“coco_panoptic”之一。
• do_convert_annotations (bool, 可选, 默认为 True) — 控制是否将标注转换为 GROUNDING_DINO 模型期望的格式。将边界框转换为 (center_x, center_y, width, height) 格式，且范围在 [0, 1] 内。可以被 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。可以被 preprocess 方法中的 do_pad 参数覆盖。如果为 True，将使用零值对图像的底部和右侧进行填充。如果提供了 pad_size，图像将被填充到指定尺寸。否则，图像将被填充到批处理中的最大高度和宽度。
• 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，图像将被填充到批处理中最大的高度和宽度。
• return_segmentation_masks (bool, 可选, 默认为 False) — 是否返回分割掩码。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• outputs (GroundingDinoObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选, 默认为 0.1) — 用于保留目标检测预测结果的分数阈值。
• 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])，包含批处理中每张图像的目标尺寸 (height, width)。如果未设置，预测结果将不会被调整大小。

一个字典列表，每个字典包含以下键：

• “scores”：图像上每个预测框的置信度分数。
• “labels”：模型在图像上预测的类别索引。
• “boxes”：图像边界框，格式为 (top_left_x, top_left_y, bottom_right_x, bottom_right_y)。

参数

• outputs (GroundingDinoObjectDetectionOutput) — 模型的原始输出。
• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 输入文本的 token ID。如果未提供，将从模型输出中获取。
• threshold (float, 可选, 默认为 0.25) — 基于置信度分数保留目标检测预测结果的阈值。
• text_threshold (float, 可选, 默认为 0.25) — 用于保留文本检测预测结果的分数阈值。
• 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])，包含批处理中每张图像的目标尺寸 (height, width)。如果未设置，预测结果将不会被调整大小。
• text_labels (list[list[str]], 可选) — 每张图像上待检测的候选标签列表。目前尚未使用，但为零样本目标检测管道的签名所必需。文本标签是从 outputs 中提供的 input_ids 张量中提取的。

一个字典列表，每个字典包含

• scores：检测到物体的置信度分数张量
• boxes：格式为 [x0, y0, x1, y1] 的边界框张量
• labels：每个检测到物体的文本标签列表（在 v4.51.0 中将替换为整数 ID）
• text_labels：检测到物体的文本标签列表

参数

• pixel_values (torch.Tensor，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）。
• 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，默认情况下将被忽略。

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

• token_type_ids (torch.LongTensor，形状为 (batch_size, text_sequence_length), optional) — 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 句子 A 标记，1 对应于 句子 B 标记。

  什么是标记类型 ID？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), optional) — 掩码，用于避免对填充标记索引执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示标记 未被掩码，
  • 0 表示标记 被掩码。

  什么是注意力掩码？

• pixel_mask (torch.Tensor，形状为 (batch_size, height, width), optional) — 掩码，用于避免对填充像素值执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即 未被掩码），
  • 0 表示像素是填充的（即 被掩码）。

  什么是注意力掩码？

• encoder_outputs (`) -- 元组，由 (last_hidden_state, *optional*: hidden_states, *optional*: attentions) 组成。last_hidden_state形状为(batch_size, sequence_length, hidden_size)`，optional) 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。
• output_attentions (`) -- 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 (`) -- 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 (“) — 是否返回 ModelOutput 而不是普通元组。

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，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 来处理图像）。
• input_ids (torch.LongTensor，形状为 (batch_size, text_sequence_length)) — 词汇表中输入序列词元的索引。如果您提供填充，默认情况下将被忽略。

  索引可以使用 AutoTokenizer 获取。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) — 分段词元索引，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 句子 A 词元，1 对应于 句子 B 词元

  什么是词元类型 ID？

• attention_mask (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在填充词元索引上执行注意力计算的掩码。掩码值在 [0, 1] 中选择：
  • 对于未被掩码的词元，值为 1，
  • 对于被掩码的词元，值为 0。

  什么是注意力掩码？

• pixel_mask (torch.BoolTensor，形状为 (batch_size, height, width)，可选) — 用于避免在填充像素值上执行注意力计算的掩码。掩码值在 [0, 1] 中选择：
  • 对于真实像素（即未被掩码），值为 1，
  • 对于填充像素（即被掩码），值为 0。

  什么是注意力掩码？

• encoder_outputs (Union[~models.grounding_dino.modeling_grounding_dino.GroundingDinoEncoderOutput, tuple, NoneType]) — 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。
• output_attentions (bool，可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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。有关详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool，可选) — 是返回一个 ModelOutput 而不是一个普通的元组。
• labels (list[Dict]，长度为 (batch_size,)，可选) — 用于计算二分匹配损失的标签。一个字典列表，每个字典至少包含以下2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一个长度为 (图像中边界框的数量,) 的 torch.LongTensor，而边界框是一个形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。