参数

• backbone_config (PretrainedConfig) — 主干网络的配置。

一个配置对象的实例

参数

• images (ImageInput) — 需要预处理的图像或一批图像。期望是单个或一批像素值范围在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• annotations (AnnotationType or list[AnnotationType], optional) — 与图像或一批图像关联的标注列表。如果标注用于目标检测，标注应为具有以下键的字典：
  • “image_id” (int): 图像 ID。
  • “annotations” (list[Dict]): 图像的标注列表。每个标注都应是一个字典。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，标注应为具有以下键的字典：
  • “image_id” (int): 图像 ID。
  • “segments_info” (list[Dict]): 图像的分割块列表。每个分割块都应是一个字典。一张图像可以没有分割块，此时列表应为空。
  • “file_name” (str): 图像的文件名。
• return_segmentation_masks (bool, optional, defaults to self.return_segmentation_masks) — 是否返回分割掩码。
• masks_path (str or pathlib.Path, optional) — 包含分割掩码的目录路径。
• do_resize (bool, optional, defaults to self.do_resize) — 是否调整图像大小。
• size (dict[str, int], optional, defaults to self.size) — 调整大小后图像的 (height, width) 尺寸。可用选项包括：
  • {"height": int, "width": int}: 图像将被调整为精确尺寸 (height, width)。不保持纵横比。
  • {"shortest_edge": int, "longest_edge": int}: 图像将被调整到最大尺寸，同时保持纵横比，并确保最短边小于或等于 shortest_edge，最长边小于或等于 longest_edge。
  • {"max_height": int, "max_width": int}: 图像将被调整到最大尺寸，同时保持纵横比，并确保高度小于或等于 max_height，宽度小于或等于 max_width。
• resample (PILImageResampling, optional, defaults to self.resample) — 调整图像大小时使用的重采样滤波器。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 缩放图像时使用的缩放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• do_convert_annotations (bool, optional, defaults to 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 or list[float], optional, defaults to self.image_mean) — 归一化图像时使用的均值。
• image_std (float or list[float], optional, defaults to self.image_std) — 归一化图像时使用的标准差。
• do_pad (bool, optional, defaults to self.do_pad) — 是否对图像进行填充。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的尺寸。否则，图像将被填充到批次中的最大高度和宽度。
• format (str or AnnotationFormat, optional, defaults to self.format) — 标注的格式。
• return_tensors (str or TensorType, optional, defaults to self.return_tensors) — 返回的张量类型。如果为 None，将返回图像列表。
• data_format (ChannelDimension or str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" or ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" or 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 or str, optional) — 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" or ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" or ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" or ChannelDimension.NONE: 图像格式为 (height, width)。
• pad_size (dict[str, int], optional) — 用于填充图像的尺寸 {"height": int, "width" int}。必须大于预处理时提供的任何图像尺寸。如果未提供 pad_size，图像将被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, optional, defaults to 0.5) — 用于保留目标检测预测结果的分数阈值。
• target_sizes (torch.Tensor or list[tuple[int, int]], optional) — 形状为 (batch_size, 2) 的张量或包含批次中每张图像目标尺寸 (height, width) 的元组列表 (tuple[int, int])。如果未设置，则不会调整预测结果的大小。
• use_focal_loss (bool defaults to True) — 指示是否使用焦点损失（focal loss）来预测输出的变量。如果为 True，则应用 sigmoid 函数计算每次检测的分数；否则，使用 softmax 函数。

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

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 需要预处理的图像。期望是单个或一批像素值范围在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• annotations (AnnotationType or list[AnnotationType], optional) — 与图像或一批图像关联的标注列表。如果标注用于目标检测，标注应为具有以下键的字典：
  • “image_id” (int): 图像 ID。
  • “annotations” (list[Dict]): 图像的标注列表。每个标注都应是一个字典。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，标注应为具有以下键的字典：
  • “image_id” (int): 图像 ID。
  • “segments_info” (list[Dict]): 图像的分割块列表。每个分割块都应是一个字典。一张图像可以没有分割块，此时列表应为空。
  • “file_name” (str): 图像的文件名。
• masks_path (str or pathlib.Path, optional) — 包含分割掩码的目录路径。
• do_resize (bool, optional) — 是否调整图像大小。
• size (dict[str, int], optional) — 描述模型的最大输入尺寸。
• default_to_square (bool, optional) — 在调整大小时，如果 `size` 是一个整数，是否默认调整为正方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，使用的重采样滤波器。可以是枚举 `PILImageResampling` 中的一个。仅当 `do_resize` 设置为 `True` 时有效。
• do_center_crop (bool, optional) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], optional) — 应用 `center_crop` 后输出图像的尺寸。
• do_rescale (bool, optional) — 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, optional) — 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。仅当 `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。仅当 `do_normalize` 设置为 `True` 时有效。
• do_convert_rgb (bool, optional) — 是否将图像转换为 RGB 格式。
• 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, optional) — 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" or ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" or ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" or ChannelDimension.NONE: 图像格式为 (height, width)。
• device (torch.device, optional) — 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, optional) — 是否禁用按尺寸对图像进行分组，以便单独处理而非批量处理。如果为 None，则在图像位于 CPU 上时设置为 True，否则为 False。此选择基于经验观察，详见：https://github.com/huggingface/transformers/pull/38157
• format (str, optional, defaults to AnnotationFormat.COCO_DETECTION) — 标注的数据格式。可以是 “coco_detection” 或 “coco_panoptic”。
• do_convert_annotations (bool, optional, defaults to True) — 控制是否将标注转换为 RT_DETR 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。可在 `preprocess` 方法中通过 `do_convert_annotations` 参数覆盖。
• do_pad (bool, optional, defaults to True) — 控制是否对图像进行填充。可在 `preprocess` 方法中通过 `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的尺寸。否则，图像将被填充到批次中的最大高度和宽度。
• pad_size (dict[str, int], optional) — 用于填充图像的尺寸 {"height": int, "width" int}。必须大于预处理时提供的任何图像尺寸。如果未提供 `pad_size`，图像将被填充到批次中的最大高度和宽度。
• return_segmentation_masks (bool, optional, defaults to 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 (DetrObjectDetectionOutput) — 模型的原始输出。
• threshold (float, optional, defaults to 0.5) — 用于保留目标检测预测结果的分数阈值。
• target_sizes (torch.Tensor or list[tuple[int, int]], optional) — 形状为 (batch_size, 2) 的张量或包含批次中每张图像目标尺寸 (height, width) 的元组列表 (tuple[int, int])。如果未设置，则不会调整预测结果的大小。
• use_focal_loss (bool defaults to True) — 指示是否使用焦点损失 (focal loss) 来预测输出的变量。如果为 True，则应用 sigmoid 函数计算每次检测的分数，否则使用 softmax 函数。

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 of shape (batch_size, num_channels, image_size, image_size)) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• pixel_mask (torch.LongTensor of shape (batch_size, height, width), optional) — 用于避免在填充像素值上执行注意力机制的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即 未被掩盖），
  • 0 表示填充的像素（即 被掩盖）。

  什么是注意力掩码？

• encoder_outputs (torch.FloatTensor, optional) — 元组，包含 (last_hidden_state, optional: hidden_states, optional: attentions) last_hidden_state 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。用于解码器的交叉注意力机制。
• inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选地，你可以选择直接传递图像的扁平化表示，而不是传递扁平化的特征图（主干网络 + 投影层的输出）。
• decoder_inputs_embeds (torch.FloatTensor of shape (batch_size, num_queries, hidden_size), optional) — 可选地，你可以选择直接传递一个嵌入表示，而不是用零张量初始化查询。
• labels (list[Dict] of len (batch_size,), optional) — 用于计算二分匹配损失的标签。由字典组成的列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别表示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，而边界框应为形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。更多细节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。更多细节请参阅返回张量下的 `hidden_states`。
• return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。

一个 `transformers.models.rt_detr.modeling_rt_detr.RTDetrModelOutput` 或一个 `torch.FloatTensor` 的元组（如果传递了 `return_dict=False` 或者 `config.return_dict=False`），根据配置 (RTDetrConfig) 和输入，包含不同的元素。

• 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_logits (torch.FloatTensor，形状为 (batch_size, config.decoder_layers, sequence_length, config.num_labels)) — 堆叠的中间 logits（解码器每一层的 logits）。

• 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）。

• intermediate_predicted_corners (torch.FloatTensor，形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间预测角点（解码器每一层的预测角点）。

• initial_reference_points (torch.FloatTensor，形状为 (batch_size, num_queries, 4)) — 用于第一个解码器层的初始参考点。

• decoder_hidden_states (tuple[torch.FloatTensor], optional, 当 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  解码器在每一层输出时的隐藏状态以及初始嵌入输出。

• decoder_attentions (tuple[torch.FloatTensor], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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 of shape (batch_size, sequence_length, hidden_size), optional, defaults to None) — 模型编码器最后一层输出的隐藏状态序列。

• encoder_hidden_states (tuple[torch.FloatTensor], optional, 当 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  编码器在每一层输出时的隐藏状态以及初始嵌入输出。

• encoder_attentions (tuple[torch.FloatTensor], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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。

• 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_topk_logits (torch.FloatTensor of shape (batch_size, sequence_length, config.num_labels)) — 预测的边界框分数，其中得分最高的 `config.two_stage_num_proposals` 个边界框被选为编码器阶段的区域提议。边界框二元分类（即前景和背景）的输出。

• enc_topk_bboxes (torch.FloatTensor，形状为 (batch_size, sequence_length, 4)) — 编码器阶段预测的边界框坐标的 logits。

• enc_outputs_class (torch.FloatTensor of shape (batch_size, sequence_length, config.num_labels), optional, 当 `config.with_box_refine=True` 且 `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` 个边界框被选为第一阶段的区域提议。边界框二元分类（即前景和背景）的输出。

• enc_outputs_coord_logits (torch.FloatTensor of shape (batch_size, sequence_length, 4), optional, 当 `config.with_box_refine=True` 且 `config.two_stage=True` 时返回) — 第一阶段预测的边界框坐标的 logits。

• denoising_meta_values (dict，可选，默认为 None) — 用于去噪相关值的额外字典。

参数

• pixel_values (torch.FloatTensor of shape (batch_size, num_channels, image_size, image_size)) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• pixel_mask (torch.LongTensor of shape (batch_size, height, width), optional) — 用于避免在填充像素值上执行注意力机制的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即 未被掩盖），
  • 0 表示填充的像素（即 被掩盖）。

  什么是注意力掩码？

• encoder_outputs (torch.FloatTensor, optional) — 元组，包含 (last_hidden_state, optional: hidden_states, optional: attentions) last_hidden_state 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。用于解码器的交叉注意力机制。
• inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选地，你可以选择直接传递图像的扁平化表示，而不是传递扁平化的特征图（主干网络 + 投影层的输出）。
• decoder_inputs_embeds (torch.FloatTensor of shape (batch_size, num_queries, hidden_size), optional) — 可选地，你可以选择直接传递一个嵌入表示，而不是用零张量初始化查询。
• labels (list[Dict] of len (batch_size,), optional) — 用于计算二分匹配损失的标签。由字典组成的列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别表示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，而边界框应为形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。更多细节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。更多细节请参阅返回张量下的 `hidden_states`。
• return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。

一个 `transformers.models.rt_detr.modeling_rt_detr.RTDetrObjectDetectionOutput` 或一个 `torch.FloatTensor` 的元组（如果传递了 `return_dict=False` 或者 `config.return_dict=False`），根据配置 (RTDetrConfig) 和输入，包含不同的元素。

• loss (torch.FloatTensor of shape (1,), optional, 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 of shape (batch_size, num_queries, 4)) — 所有查询的归一化边界框坐标，表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 范围内归一化，相对于批次中每个图像的大小（不考虑可能的填充）。你可以使用 post_process_object_detection() 来检索未归一化（绝对）的边界框。

• auxiliary_outputs (list[Dict], optional) — 可选，仅在激活辅助损失（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（`logits` 和 `pred_boxes`）。

• 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_logits (torch.FloatTensor，形状为 (batch_size, config.decoder_layers, num_queries, config.num_labels)) — 堆叠的中间 logits（解码器每一层的 logits）。

• 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）。

• intermediate_predicted_corners (torch.FloatTensor，形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的中间预测角点（解码器每一层的预测角点）。

• initial_reference_points (torch.FloatTensor，形状为 (batch_size, config.decoder_layers, num_queries, 4)) — 堆叠的初始参考点（解码器每一层的初始参考点）。

• decoder_hidden_states (tuple[torch.FloatTensor], optional, 当 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  解码器在每一层输出时的隐藏状态以及初始嵌入输出。

• decoder_attentions (tuple[torch.FloatTensor], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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 of shape (batch_size, sequence_length, hidden_size), optional, defaults to None) — 模型编码器最后一层输出的隐藏状态序列。

• encoder_hidden_states (tuple[torch.FloatTensor], optional, 当 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，一个是嵌入层的输出，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  编码器在每一层输出时的隐藏状态以及初始嵌入输出。

• encoder_attentions (tuple[torch.FloatTensor], optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  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。

• 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_topk_logits (torch.FloatTensor of shape (batch_size, sequence_length, config.num_labels), optional, 当 `config.with_box_refine=True` 且 `config.two_stage=True` 时返回) — 编码器中预测的边界框坐标的 logits。

• enc_topk_bboxes (torch.FloatTensor of shape (batch_size, sequence_length, 4), optional, 当 `config.with_box_refine=True` 且 `config.two_stage=True` 时返回) — 编码器中预测的边界框坐标的 logits。

• enc_outputs_class (torch.FloatTensor of shape (batch_size, sequence_length, config.num_labels), optional, 当 `config.with_box_refine=True` 且 `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` 个边界框被选为第一阶段的区域提议。边界框二元分类（即前景和背景）的输出。

• enc_outputs_coord_logits (torch.FloatTensor of shape (batch_size, sequence_length, 4), optional, 当 `config.with_box_refine=True` 且 `config.two_stage=True` 时返回) — 第一阶段预测的边界框坐标的 logits。

• denoising_meta_values (dict，*可选*，默认为 None) — 用于去噪相关值的额外字典

参数

• pixel_values (torch.Tensor of shape (batch_size, num_channels, image_size, image_size)) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。更多细节请参阅返回张量下的 `hidden_states`。
• return_dict (bool, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。

一个 `transformers.modeling_outputs.BackboneOutput` 或一个 `torch.FloatTensor` 的元组（如果传递了 `return_dict=False` 或者 `config.return_dict=False`），根据配置 (RTDetrResNetConfig) 和输入，包含不同的元素。

• feature_maps (tuple(torch.FloatTensor) of shape (batch_size, num_channels, height, width)) — 各个阶段的特征图。

• hidden_states (tuple(torch.FloatTensor), optional, 当 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个是嵌入层的输出 + 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size) 或 (batch_size, num_channels, height, width)，具体取决于主干网络。

  模型在每个阶段输出的隐藏状态以及初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。仅当主干网络使用注意力机制时适用。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。