OWL-ViT

概述

OWL-ViT (Vision Transformer for Open-World Localization的缩写) 是在 Simple Open-Vocabulary Object Detection with Vision Transformers 一文中由 Matthias Minderer、Alexey Gritsenko、Austin Stone、Maxim Neumann、Dirk Weissenborn、Alexey Dosovitskiy、Aravindh Mahendran、Anurag Arnab、Mostafa Dehghani、Zhuoran Shen、Xiao Wang、Xiaohua Zhai、Thomas Kipf 和 Neil Houlsby 提出的。OWL-ViT 是一个在多种（图像，文本）对上训练的开放词汇目标检测网络。它可以用来通过一个或多个文本查询来查询图像，以搜索和检测文本中描述的目标对象。

论文摘要如下：

将简单的架构与大规模预训练相结合，已在图像分类方面取得了巨大进步。对于目标检测，预训练和缩放方法尚未成熟，尤其是在长尾和开放词汇的场景下，训练数据相对稀缺。在本文中，我们提出了一种将图像-文本模型迁移到开放词汇目标检测的有效方法。我们使用标准的 Vision Transformer 架构，并进行了最小的修改，采用对比图像-文本预训练和端到端检测微调。我们对这种设置的缩放属性的分析表明，增加图像级预训练和模型大小，能够在下游检测任务上带来持续的改进。我们提供了实现零样本文本条件和单样本图像条件目标检测非常强大性能所需的适应策略和正则化方法。代码和模型可在 GitHub 上获取。

OWL-ViT 架构。摘自原始论文。

此模型由 adirik 贡献。原始代码可在此处找到。

使用技巧

OWL-ViT 是一种零样本文本条件的目标检测模型。OWL-ViT 使用 CLIP 作为其多模态骨干网络，使用类似 ViT 的 Transformer 获取视觉特征，并使用因果语言模型获取文本特征。为了将 CLIP 用于检测，OWL-ViT 移除了视觉模型的最终 token 池化层，并在每个 transformer 输出 token 上附加了一个轻量级的分类和边界框头。通过将固定的分类层权重替换为从文本模型中获取的类名嵌入，实现了开放词汇分类。作者首先从头训练 CLIP，然后使用分类和边界框头在标准检测数据集上进行端到端微调，使用二分匹配损失。每张图像可以使用一个或多个文本查询来执行零样本文本条件的目标检测。

OwlViTImageProcessor 可用于为模型调整图像大小（或缩放）和归一化，而 CLIPTokenizer 用于编码文本。OwlViTProcessor 将 OwlViTImageProcessor 和 CLIPTokenizer 包装成单个实例，以同时编码文本和准备图像。以下示例展示了如何使用 OwlViTProcessor 和 OwlViTForObjectDetection 进行目标检测。

>>> import requests
>>> from PIL import Image
>>> import torch

>>> from transformers import OwlViTProcessor, OwlViTForObjectDetection

>>> processor = OwlViTProcessor.from_pretrained("google/owlvit-base-patch32")
>>> model = OwlViTForObjectDetection.from_pretrained("google/owlvit-base-patch32")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text_labels = [["a photo of a cat", "a photo of a dog"]]
>>> inputs = processor(text=text_labels, images=image, return_tensors="pt")
>>> outputs = model(**inputs)

>>> # Target image sizes (height, width) to rescale box predictions [batch_size, 2]
>>> target_sizes = torch.tensor([(image.height, image.width)])
>>> # Convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> results = processor.post_process_grounded_object_detection(
...     outputs=outputs, target_sizes=target_sizes, threshold=0.1, text_labels=text_labels
... )
>>> # Retrieve predictions for the first image for the corresponding text queries
>>> result = results[0]
>>> boxes, scores, text_labels = result["boxes"], result["scores"], result["text_labels"]
>>> for box, score, text_label in zip(boxes, scores, text_labels):
...     box = [round(i, 2) for i in box.tolist()]
...     print(f"Detected {text_label} with confidence {round(score.item(), 3)} at location {box}")
Detected a photo of a cat with confidence 0.707 at location [324.97, 20.44, 640.58, 373.29]
Detected a photo of a cat with confidence 0.717 at location [1.46, 55.26, 315.55, 472.17]

资源

关于使用 OWL-ViT 进行零样本和单样本（图像引导）目标检测的演示笔记本可以在这里找到。

OwlViTConfig

class transformers.OwlViTConfig

< 来源 >

( text_config = None vision_config = None projection_dim = 512 logit_scale_init_value = 2.6592 return_dict = True **kwargs )

参数

text_config (dict, 可选) — 用于初始化 OwlViTTextConfig 的配置选项字典。
vision_config (dict, 可选) — 用于初始化 OwlViTVisionConfig 的配置选项字典。
projection_dim (int, 可选, 默认为 512) — 文本和视觉投影层的维度。
logit_scale_init_value (float, 可选, 默认为 2.6592) — logit_scale 参数的初始值。默认值根据原始 OWL-ViT 实现使用。
return_dict (bool, 可选, 默认为 True) — 模型是否应返回一个字典。如果为 False，则返回一个元组。
kwargs (可选) — 关键字参数字典。

OwlViTConfig 是用于存储 OwlViTModel 配置的配置类。它用于根据指定的参数实例化一个 OWL-ViT 模型，定义文本模型和视觉模型配置。使用默认值实例化配置将产生与 OWL-ViT google/owlvit-base-patch32 架构相似的配置。

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。

from_text_vision_configs

< 来源 >

( text_config: dict vision_config: dict **kwargs ) → OwlViTConfig

OwlViTConfig

一个配置对象的实例

从 owlvit 文本模型配置和 owlvit 视觉模型配置实例化一个 OwlViTConfig（或其派生类）。

OwlViTTextConfig

class transformers.OwlViTTextConfig

< 来源 >

( vocab_size = 49408 hidden_size = 512 intermediate_size = 2048 num_hidden_layers = 12 num_attention_heads = 8 max_position_embeddings = 16 hidden_act = 'quick_gelu' layer_norm_eps = 1e-05 attention_dropout = 0.0 initializer_range = 0.02 initializer_factor = 1.0 pad_token_id = 0 bos_token_id = 49406 eos_token_id = 49407 **kwargs )

参数

vocab_size (int, 可选, 默认为 49408) — OWL-ViT 文本模型的词汇表大小。定义了在调用 OwlViTTextModel 时传入的 inputs_ids 可以表示的不同词元的数量。
hidden_size (int, 可选, 默认为 512) — 编码器层和池化层的维度。
intermediate_size (int, 可选, 默认为 2048) — Transformer 编码器中“中间”（即前馈）层的维度。
num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
num_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量。
max_position_embeddings (int, 可选, 默认为 16) — 该模型可能使用的最大序列长度。通常将其设置为一个较大的值以备不时之需（例如，512、1024 或 2048）。
hidden_act (str 或 function, 可选, 默认为 "quick_gelu") — 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"、"selu" 和 "gelu_new"、"quick_gelu"。
layer_norm_eps (float, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。
attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
initializer_range (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。
initializer_factor (float, 可选, 默认为 1.0) — 初始化所有权重矩阵的因子（应保持为 1，内部用于初始化测试）。
pad_token_id (int, 可选, 默认为 0) — 输入序列中填充词元的 ID。
bos_token_id (int, 可选, 默认为 49406) — 输入序列中序列开始词元的 ID。
eos_token_id (int, 可选, 默认为 49407) — 输入序列中序列结束词元的 ID。

这是用于存储 OwlViTTextModel 配置的配置类。它用于根据指定的参数实例化一个 OwlViT 文本编码器，定义模型架构。使用默认值实例化配置将产生与 OwlViT google/owlvit-base-patch32 架构相似的配置。

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 OwlViTTextConfig, OwlViTTextModel

>>> # Initializing a OwlViTTextModel with google/owlvit-base-patch32 style configuration
>>> configuration = OwlViTTextConfig()

>>> # Initializing a OwlViTTextConfig from the google/owlvit-base-patch32 style configuration
>>> model = OwlViTTextModel(configuration)

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

OwlViTVisionConfig

class transformers.OwlViTVisionConfig

< 来源 >

( hidden_size = 768 intermediate_size = 3072 num_hidden_layers = 12 num_attention_heads = 12 num_channels = 3 image_size = 768 patch_size = 32 hidden_act = 'quick_gelu' layer_norm_eps = 1e-05 attention_dropout = 0.0 initializer_range = 0.02 initializer_factor = 1.0 **kwargs )

参数

hidden_size (int, 可选, 默认为 768) — 编码器层和池化层的维度。
intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”（即前馈）层的维度。
num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
num_attention_heads (int, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数量。
num_channels (int, 可选, 默认为 3) — 输入图像中的通道数。
image_size (int, 可选, 默认为 768) — 每张图像的大小（分辨率）。
patch_size (int, 可选, 默认为 32) — 每个图像块的大小（分辨率）。
hidden_act (str 或 function, 可选, 默认为 "quick_gelu") — 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"、"selu" 和 "gelu_new"、"quick_gelu"。
layer_norm_eps (float, optional, defaults to 1e-05) — 层归一化层使用的 epsilon 值。
attention_dropout (float, optional, defaults to 0.0) — 注意力概率的 dropout 比率。
initializer_range (float, optional, defaults to 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
initializer_factor (float, optional, defaults to 1.0) — 用于初始化所有权重矩阵的因子（应保持为 1，内部用于初始化测试）。

这是一个配置类，用于存储 OwlViTVisionModel 的配置。它用于根据指定的参数实例化一个 OWL-ViT 图像编码器，定义模型架构。使用默认值实例化配置将产生与 OWL-ViT google/owlvit-base-patch32 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 OwlViTVisionConfig, OwlViTVisionModel

>>> # Initializing a OwlViTVisionModel with google/owlvit-base-patch32 style configuration
>>> configuration = OwlViTVisionConfig()

>>> # Initializing a OwlViTVisionModel model from the google/owlvit-base-patch32 style configuration
>>> model = OwlViTVisionModel(configuration)

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

Transformers

OWL-ViT

概述

使用技巧

资源

OwlViTConfig

class transformers.OwlViTConfig

from_text_vision_configs

OwlViTTextConfig

class transformers.OwlViTTextConfig

OwlViTVisionConfig

class transformers.OwlViTVisionConfig

OwlViTImageProcessor

class transformers.OwlViTImageProcessor

preprocess

OwlViTImageProcessorFast

class transformers.OwlViTImageProcessorFast

preprocess

post_process_object_detection

post_process_image_guided_detection

OwlViTProcessor

class transformers.OwlViTProcessor

__call__

post_process_grounded_object_detection

post_process_image_guided_detection

OwlViTModel

class transformers.OwlViTModel

forward

get_text_features

get_image_features

OwlViTTextModel

class transformers.OwlViTTextModel

forward

OwlViTVisionModel

class transformers.OwlViTVisionModel

forward

OwlViTForObjectDetection

class transformers.OwlViTForObjectDetection

forward

image_guided_detection

call