Transformers 文档
RT-DETR
并获得增强的文档体验
开始使用
RT-DETR
概述
RT-DETR 模型由 Wenyu Lv、Yian Zhao、Shangliang Xu、Jinman Wei、Guanzhong Wang、Cheng Cui、Yuning Du、Qingqing Dang 和 Yi Liu 在论文 《DETRs Beat YOLOs on Real-time Object Detection》 中提出。
RT-DETR 是一个目标检测模型,其名称代表“Real-Time DEtection TRansformer”(实时检测 Transformer)。该模型旨在执行目标检测任务,重点是实现实时性能,同时保持高精度。RT-DETR 利用在深度学习各个领域广受欢迎的 Transformer 架构,处理图像以识别和定位其中的多个对象。
论文摘要如下:
最近,基于 Transformer 的端到端检测器(DETR)取得了显著的性能。然而,DETR 计算成本高的问题尚未得到有效解决,这限制了它们的实际应用,并使其无法充分利用无需后处理(如非极大值抑制,NMS)的优势。在本文中,我们首先分析了现代实时目标检测器中 NMS 对推理速度的影响,并建立了一个端到端的速度基准。为避免 NMS 造成的推理延迟,我们提出了实时检测 Transformer(RT-DETR),据我们所知,这是第一个实时的端到端目标检测器。具体来说,我们设计了一个高效的混合编码器,通过解耦尺度内交互和跨尺度融合来高效处理多尺度特征,并提出了 IoU 感知的查询选择来改进对象查询的初始化。此外,我们提出的检测器支持通过使用不同的解码器层来灵活调整推理速度,而无需重新训练,这有助于实时目标检测器的实际应用。我们的 RT-DETR-L 在 COCO val2017 上实现了 53.0% 的 AP 和在 T4 GPU 上的 114 FPS,而 RT-DETR-X 实现了 54.8% 的 AP 和 74 FPS,在速度和精度上均优于同等规模的所有 YOLO 检测器。此外,我们的 RT-DETR-R50 实现了 53.1% 的 AP 和 108 FPS,在精度上比 DINO-Deformable-DETR-R50 高出 2.2% AP,在 FPS 上快约 21 倍。

该模型版本由 rafaelpadilla 和 sangbumchoi 贡献。原始代码可在此处找到。
使用技巧
最初,图像使用预训练的卷积神经网络进行处理,具体是原始代码中引用的 Resnet-D 变体。该网络从架构的最后三层提取特征。之后,使用混合编码器将多尺度特征转换为图像特征的顺序数组。然后,使用配备辅助预测头的解码器来细化对象查询。此过程有助于直接生成边界框,无需任何额外的后处理即可获取边界框的 logits 和坐标。
>>> import torch
>>> import requests
>>> from PIL import Image
>>> from transformers import RTDetrForObjectDetection, RTDetrImageProcessor
>>> url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
>>> model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r50vd")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.3)
>>> for result in results:
... for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
... score, label = score.item(), label_id.item()
... box = [round(i, 2) for i in box.tolist()]
... print(f"{model.config.id2label[label]}: {score:.2f} {box}")
sofa: 0.97 [0.14, 0.38, 640.13, 476.21]
cat: 0.96 [343.38, 24.28, 640.14, 371.5]
cat: 0.96 [13.23, 54.18, 318.98, 472.22]
remote: 0.95 [40.11, 73.44, 175.96, 118.48]
remote: 0.92 [333.73, 76.58, 369.97, 186.99]
资源
官方 Hugging Face 和社区(由 🌎 表示)资源列表,帮助你开始使用 RT-DETR。
- 使用 Trainer 或 Accelerate 微调 RTDetrForObjectDetection 的脚本可以在此处找到。
- 另请参阅:目标检测任务指南。
- 关于在自定义数据集上进行 RT-DETR 推理和微调的 Notebooks 可以在此处找到。🌎
RTDetrConfig
class transformers.RTDetrConfig
< 来源 >( initializer_range = 0.01 initializer_bias_prior_prob = None layer_norm_eps = 1e-05 batch_norm_eps = 1e-05 backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False freeze_backbone_batch_norms = True backbone_kwargs = None encoder_hidden_dim = 256 encoder_in_channels = [512, 1024, 2048] feat_strides = [8, 16, 32] encoder_layers = 1 encoder_ffn_dim = 1024 encoder_attention_heads = 8 dropout = 0.0 activation_dropout = 0.0 encode_proj_layers = [2] positional_encoding_temperature = 10000 encoder_activation_function = 'gelu' activation_function = 'silu' eval_size = None normalize_before = False hidden_expansion = 1.0 d_model = 256 num_queries = 300 decoder_in_channels = [256, 256, 256] decoder_ffn_dim = 1024 num_feature_levels = 3 decoder_n_points = 4 decoder_layers = 6 decoder_attention_heads = 8 decoder_activation_function = 'relu' attention_dropout = 0.0 num_denoising = 100 label_noise_ratio = 0.5 box_noise_scale = 1.0 learn_initial_query = False anchor_image_size = None disable_custom_kernels = True with_box_refine = True is_encoder_decoder = True matcher_alpha = 0.25 matcher_gamma = 2.0 matcher_class_cost = 2.0 matcher_bbox_cost = 5.0 matcher_giou_cost = 2.0 use_focal_loss = True auxiliary_loss = True focal_loss_alpha = 0.75 focal_loss_gamma = 2.0 weight_loss_vfl = 1.0 weight_loss_bbox = 5.0 weight_loss_giou = 2.0 eos_coefficient = 0.0001 **kwargs )
参数
- initializer_range (
float
, optional, 默认为 0.01) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - initializer_bias_prior_prob (
float
, optional) — 偏置初始化器用于初始化enc_score_head
和class_embed
偏置的先验概率。如果为None
,在初始化模型权重时,prior_prob
计算为prior_prob = 1 / (num_labels + 1)
。 - layer_norm_eps (
float
, optional, 默认为 1e-05) — 层归一化层使用的 epsilon。 - batch_norm_eps (
float
, optional, 默认为 1e-05) — 批归一化层使用的 epsilon。 - backbone_config (
Dict
, optional, 默认为RTDetrResNetConfig()
) — 主干模型的配置。 - backbone (
str
, optional) — 当backbone_config
为None
时使用的主干名称。如果use_pretrained_backbone
为True
,将从 timm 或 transformers 库加载相应的预训练权重。如果use_pretrained_backbone
为False
,将加载主干的配置并用其初始化具有随机权重的主干。 - use_pretrained_backbone (
bool
, optional, 默认为False
) — 是否为主干使用预训练权重。 - use_timm_backbone (
bool
, optional, 默认为False
) — 是否从 timm 库加载backbone
。如果为False
,则从 transformers 库加载主干。 - freeze_backbone_batch_norms (
bool
, optional, 默认为True
) — 是否冻结主干中的批归一化层。 - backbone_kwargs (
dict
, optional) — 在从检查点加载时传递给 AutoBackbone 的关键字参数,例如{'out_indices': (0, 1, 2, 3)}
。如果设置了backbone_config
,则不能指定此项。 - encoder_hidden_dim (
int
, optional, 默认为 256) — 混合编码器中各层的维度。 - encoder_in_channels (
list
, optional, 默认为[512, 1024, 2048]
) — 编码器的多级特征输入。 - feat_strides (
list[int]
, optional, 默认为[8, 16, 32]
) — 每个特征图中的步幅。 - encoder_layers (
int
, optional, 默认为 1) — 编码器使用的总层数。 - encoder_ffn_dim (
int
, optional, 默认为 1024) — 解码器中“中间”层(通常称为前馈层)的维度。 - encoder_attention_heads (
int
, optional, 默认为 8) — Transformer 编码器中每个注意力层的注意力头数。 - dropout (
float
, optional, 默认为 0.0) — 所有 dropout 层的比率。 - activation_dropout (
float
, optional, 默认为 0.0) — 全连接层内激活的 dropout 比率。 - encode_proj_layers (
list[int]
, optional, 默认为[2]
) — 编码器中要使用的投影层的索引。 - positional_encoding_temperature (
int
, optional, 默认为 10000) — 用于创建位置编码的温度参数。 - encoder_activation_function (
str
, optional, 默认为"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"
、"silu"
和"gelu_new"
。 - activation_function (
str
, optional, 默认为"silu"
) — 普通层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"
、"silu"
和"gelu_new"
。 - eval_size (
tuple[int, int]
, optional) — 用于计算考虑步幅后位置嵌入的有效高度和宽度的尺寸。 - normalize_before (
bool
, optional, 默认为False
) — 决定是否在 Transformer 编码器层中的自注意力和前馈模块之前应用层归一化。 - hidden_expansion (
float
, optional, 默认为 1.0) — 用于扩大 RepVGGBlock 和 CSPRepLayer 维度大小的扩展比率。 - d_model (
int
, optional, 默认为 256) — 除混合编码器外的层维度。 - num_queries (
int
, optional, 默认为 300) — 对象查询的数量。 - decoder_in_channels (
list
, optional, 默认为[256, 256, 256]
) — 解码器的多级特征维度。 - decoder_ffn_dim (
int
, optional, 默认为 1024) — 解码器中“中间”层(通常称为前馈层)的维度。 - num_feature_levels (
int
, optional, 默认为 3) — 输入特征级别的数量。 - decoder_n_points (
int
, optional, 默认为 4) — 解码器中每个注意力头在每个特征级别中采样的键的数量。 - decoder_layers (
int
, optional, 默认为 6) — 解码器层数。 - decoder_attention_heads (
int
, optional, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数。 - decoder_activation_function (
str
, optional, defaults to"relu"
) — 解码器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - attention_dropout (
float
, optional, defaults to 0.0) — 注意力概率的 dropout 比率。 - num_denoising (
int
, optional, defaults to 100) — 用于对比去噪的总去噪任务或查询数量。 - label_noise_ratio (
float
, optional, defaults to 0.5) — 应添加随机噪声的去噪标签的比例。 - box_noise_scale (
float
, optional, defaults to 1.0) — 要添加到边界框的噪声的尺度或幅度。 - learn_initial_query (
bool
, optional, defaults toFalse
) — 指示是否应在训练期间学习解码器的初始查询嵌入。 - anchor_image_size (
tuple[int, int]
, optional) — 在评估期间用于生成边界框锚点的输入图像的高度和宽度。如果为 None,则应用自动生成锚点。 - disable_custom_kernels (
bool
, optional, defaults toTrue
) — 是否禁用自定义内核。 - with_box_refine (
bool
, optional, defaults toTrue
) — 是否应用迭代式边界框优化,其中每个解码器层根据前一层的预测来优化边界框。 - is_encoder_decoder (
bool
, optional, defaults toTrue
) — 架构是否具有编码器-解码器结构。 - matcher_alpha (
float
, optional, defaults to 0.25) — 匈牙利匹配器使用的参数 alpha。 - matcher_gamma (
float
, optional, defaults to 2.0) — 匈牙利匹配器使用的参数 gamma。 - matcher_class_cost (
float
, optional, defaults to 2.0) — 匈牙利匹配器使用的类别损失的相对权重。 - matcher_bbox_cost (
float
, optional, defaults to 5.0) — 匈牙利匹配器使用的边界框损失的相对权重。 - matcher_giou_cost (
float
, optional, defaults to 2.0) — 匈牙利匹配器使用的 giou 损失的相对权重。 - use_focal_loss (
bool
, optional, defaults toTrue
) — 指示是否使用 focal loss 的参数。 - auxiliary_loss (
bool
, optional, defaults toTrue
) — 是否使用辅助解码损失(每个解码器层的损失)。 - focal_loss_alpha (
float
, optional, defaults to 0.75) — 用于计算 focal loss 的参数 alpha。 - focal_loss_gamma (
float
, optional, defaults to 2.0) — 用于计算 focal loss 的参数 gamma。 - weight_loss_vfl (
float
, optional, defaults to 1.0) — 目标检测损失中 varifocal loss 的相对权重。 - weight_loss_bbox (
float
, optional, defaults to 5.0) — 目标检测损失中 L1 边界框损失的相对权重。 - weight_loss_giou (
float
, optional, defaults to 2.0) — 目标检测损失中广义 IoU 损失的相对权重。 - eos_coefficient (
float
, optional, defaults to 0.0001) — 目标检测损失中“无对象”类别的相对分类权重。
这是用于存储 RTDetrModel 配置的配置类。它用于根据指定的参数实例化 RT-DETR 模型,定义模型架构。使用默认值实例化配置将产生与 RT-DETR PekingU/rtdetr_r50vd 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 RTDetrConfig, RTDetrModel
>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = RTDetrModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
from_backbone_configs
< 源代码 >( backbone_config: PretrainedConfig **kwargs ) → RTDetrConfig
从预训练的主干模型配置和 DETR 模型配置实例化一个 RTDetrConfig(或其派生类)。
RTDetrResNetConfig
class transformers.RTDetrResNetConfig
< 源代码 >( num_channels = 3 embedding_size = 64 hidden_sizes = [256, 512, 1024, 2048] depths = [3, 4, 6, 3] layer_type = 'bottleneck' hidden_act = 'relu' downsample_in_first_stage = False downsample_in_bottleneck = False out_features = None out_indices = None **kwargs )
参数
- num_channels (
int
, optional, defaults to 3) — 输入通道数。 - embedding_size (
int
, optional, defaults to 64) — 嵌入层的维度(隐藏大小)。 - hidden_sizes (
list[int]
, optional, defaults to[256, 512, 1024, 2048]
) — 每个阶段的维度(隐藏大小)。 - depths (
list[int]
, optional, defaults to[3, 4, 6, 3]
) — 每个阶段的深度(层数)。 - layer_type (
str
, optional, defaults to"bottleneck"
) — 使用的层类型,可以是"basic"
(用于较小的模型,如 resnet-18 或 resnet-34)或"bottleneck"
(用于较大的模型,如 resnet-50 及以上)。 - hidden_act (
str
, optional, defaults to"relu"
) — 每个块中的非线性激活函数。如果为字符串,则支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - downsample_in_first_stage (
bool
, optional, defaults toFalse
) — 如果为True
,第一阶段将使用stride
为 2 对输入进行下采样。 - downsample_in_bottleneck (
bool
, optional, defaults toFalse
) — 如果为True
,ResNetBottleNeckLayer 中的第一个 1x1 卷积将使用stride
为 2 对输入进行下采样。 - out_features (
list[str]
, optional) — 如果用作主干网络,则为要输出的特征列表。可以是"stem"
、"stage1"
、"stage2"
等中的任何一个(取决于模型有多少个阶段)。如果未设置且设置了out_indices
,则将默认为相应的阶段。如果未设置且未设置out_indices
,则将默认为最后一个阶段。必须与stage_names
属性中定义的顺序相同。 - out_indices (
list[int]
, optional) — 如果用作主干网络,则为要输出的特征的索引列表。可以是 0、1、2 等中的任何一个(取决于模型有多少个阶段)。如果未设置且设置了out_features
,则将默认为相应的阶段。如果未设置且未设置out_features
,则将默认为最后一个阶段。必须与stage_names
属性中定义的顺序相同。
这是用于存储 RTDetrResnetBackbone
配置的配置类。它用于根据指定的参数实例化一个 ResNet 模型,定义模型架构。使用默认值实例化配置将产生与 ResNet microsoft/resnet-50 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 RTDetrResNetConfig, RTDetrResnetBackbone
>>> # Initializing a ResNet resnet-50 style configuration
>>> configuration = RTDetrResNetConfig()
>>> # Initializing a model (with random weights) from the resnet-50 style configuration
>>> model = RTDetrResnetBackbone(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
RTDetrImageProcessor
class transformers.RTDetrImageProcessor
< 源代码 >( format: typing.Union[str, transformers.image_utils.AnnotationFormat] = <AnnotationFormat.COCO_DETECTION: 'coco_detection'> do_resize: bool = True size: typing.Optional[dict[str, int]] = None resample: Resampling = <Resampling.BILINEAR: 2> do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 do_normalize: bool = False image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_convert_annotations: bool = True do_pad: bool = False pad_size: typing.Optional[dict[str, int]] = None **kwargs )
参数
- format (
str
, optional, defaults toAnnotationFormat.COCO_DETECTION
) — 标注的数据格式。可以是“coco_detection”或“coco_panoptic”。 - do_resize (
bool
, optional, defaults toTrue
) — 控制是否将图像的(高度,宽度)尺寸调整为指定的size
。可在preprocess
方法中通过do_resize
参数覆盖。 - size (
dict[str, int]
optional, defaults to{"height" -- 640, "width": 640}
): 调整后图像的(height, width)
尺寸大小。可在preprocess
方法中通过size
参数覆盖。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}
:图像将被调整到最大尺寸,同时保持宽高比,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}
:图像将被调整到最大尺寸,同时保持宽高比,并使高度小于或等于max_height
,宽度小于或等于max_width
。
- resample (
PILImageResampling
, optional, defaults toPILImageResampling.BILINEAR
) — 调整图像大小时使用的重采样滤波器。 - do_rescale (
bool
, optional, defaults toTrue
) — 控制是否按指定的缩放因子rescale_factor
对图像进行缩放。可在preprocess
方法中通过do_rescale
参数覆盖。 - rescale_factor (
int
orfloat
, optional, defaults to1/255
) — 缩放图像时使用的缩放因子。可在preprocess
方法中通过rescale_factor
参数覆盖。控制是否对图像进行归一化。可在preprocess
方法中通过do_normalize
参数覆盖。 - do_normalize (
bool
, optional, defaults toFalse
) — 是否对图像进行归一化。 - image_mean (
float
orlist[float]
, optional, defaults toIMAGENET_DEFAULT_MEAN
) — 归一化图像时使用的均值。可以是一个单一值,也可以是一个列表,每个通道一个值。可在preprocess
方法中通过image_mean
参数覆盖。 - image_std (
float
orlist[float]
, optional, defaults toIMAGENET_DEFAULT_STD
) — 归一化图像时使用的标准差。可以是一个单一值,也可以是一个列表,每个通道一个值。可在preprocess
方法中通过image_std
参数覆盖。 - do_convert_annotations (
bool
, optional, defaults toTrue
) — 控制是否将标注转换为 DETR 模型预期的格式。将边界框转换为(center_x, center_y, width, height)
格式,并在[0, 1]
范围内。可在preprocess
方法中通过do_convert_annotations
参数覆盖。 - do_pad (
bool
, optional, defaults toFalse
) — 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。
构建一个 RT-DETR 图像处理器。
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] annotations: typing.Union[dict[str, typing.Union[int, str, list[dict]]], list[dict[str, typing.Union[int, str, list[dict]]]], NoneType] = None return_segmentation_masks: typing.Optional[bool] = None masks_path: typing.Union[str, pathlib.Path, NoneType] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None resample = None do_rescale: typing.Optional[bool] = None rescale_factor: typing.Union[int, float, NoneType] = None do_normalize: typing.Optional[bool] = None do_convert_annotations: typing.Optional[bool] = None image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = None format: typing.Union[str, transformers.image_utils.AnnotationFormat, NoneType] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: typing.Union[str, transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None pad_size: typing.Optional[dict[str, int]] = None )
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
orlist[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。
- “image_id” (
- return_segmentation_masks (
bool
, optional, defaults to self.return_segmentation_masks) — 是否返回分割掩码。 - masks_path (
str
orpathlib.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
orlist[float]
, optional, defaults to self.image_mean) — 归一化图像时使用的均值。 - image_std (
float
orlist[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
orAnnotationFormat
, optional, defaults to self.format) — 标注的格式。 - return_tensors (
str
orTensorType
, 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
orstr
, optional, defaults toChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:"channels_first"
orChannelDimension.FIRST
: 图像格式为 (num_channels, height, width)。"channels_last"
orChannelDimension.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
orstr
, 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"
orChannelDimension.FIRST
: 图像格式为 (num_channels, height, width)。"channels_last"
orChannelDimension.LAST
: 图像格式为 (height, width, num_channels)。"none"
orChannelDimension.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。
预处理图像或图像批次,以便模型可以使用。
post_process_object_detection
< source >( outputs threshold: float = 0.5 target_sizes: typing.Union[transformers.utils.generic.TensorType, list[tuple]] = None use_focal_loss: bool = True ) → list[Dict]
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
orlist[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 toTrue
) — 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。
返回
list[Dict]
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。
将 DetrForObjectDetection 的原始输出转换为最终的边界框,格式为 (top_left_x, top_left_y, bottom_right_x, bottom_right_y)。仅支持 PyTorch。
RTDetrImageProcessorFast
class transformers.RTDetrImageProcessorFast
< source >( **kwargs: typing_extensions.Unpack[transformers.models.rt_detr.image_processing_rt_detr_fast.RTDetrFastImageProcessorKwargs] )
构建一个快速的 Rt Detr 图像处理器。
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] annotations: typing.Union[dict[str, typing.Union[int, str, list[dict]]], list[dict[str, typing.Union[int, str, list[dict]]]], NoneType] = None masks_path: typing.Union[str, pathlib.Path, NoneType] = None **kwargs: typing_extensions.Unpack[transformers.models.rt_detr.image_processing_rt_detr_fast.RTDetrFastImageProcessorKwargs] ) → <class 'transformers.image_processing_base.BatchFeature'>
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
orlist[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。
- “image_id” (
- masks_path (
str
orpathlib.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"
orChannelDimension.FIRST
: 图像格式为 (num_channels, height, width)。"channels_last"
orChannelDimension.LAST
: 图像格式为 (height, width, num_channels)。"none"
orChannelDimension.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 toAnnotationFormat.COCO_DETECTION
) — 标注的数据格式。可以是 “coco_detection” 或 “coco_panoptic”。 - do_convert_annotations (
bool
, optional, defaults toTrue
) — 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 toTrue
) — 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 toFalse
) — 是否返回分割掩码。
返回
<class 'transformers.image_processing_base.BatchFeature'>
- 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。
post_process_object_detection
< source >( outputs threshold: float = 0.5 target_sizes: typing.Union[transformers.utils.generic.TensorType, list[tuple]] = None use_focal_loss: bool = True ) → list[Dict]
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
orlist[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 toTrue
) — 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。
返回
list[Dict]
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。
将 DetrForObjectDetection 的原始输出转换为最终的边界框,格式为 (top_left_x, top_left_y, bottom_right_x, bottom_right_y)。仅支持 PyTorch。
RTDetrModel
class transformers.RTDetrModel
< source >( config: RTDetrConfig )
参数
- config (RTDetrConfig) — 模型配置类,包含了模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
RT-DETR 模型(由主干网络和编码器-解码器组成),输出原始的隐藏状态,顶部没有任何 head。
该模型继承自 PreTrainedModel。请查阅超类文档以了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像使用常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[list[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.rt_detr.modeling_rt_detr.RTDetrModelOutput
or tuple(torch.FloatTensor)
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)。
- 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。
返回
transformers.models.rt_detr.modeling_rt_detr.RTDetrModelOutput
or tuple(torch.FloatTensor)
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 toNone
) — 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。
RTDetrModel 的 forward 方法重写了 `__call__` 特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, RTDetrModel
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
>>> model = RTDetrModel.from_pretrained("PekingU/rtdetr_r50vd")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]
RTDetrForObjectDetection
class transformers.RTDetrForObjectDetection
< source >( config: RTDetrConfig )
参数
- config (RTDetrConfig) — 模型配置类,包含了模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
RT-DETR 模型(由主干网络和编码器-解码器组成),输出边界框和 logits,以便进一步解码为分数和类别。
该模型继承自 PreTrainedModel。请查阅超类文档以了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像使用常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[list[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **loss_kwargs ) → transformers.models.rt_detr.modeling_rt_detr.RTDetrObjectDetectionOutput
or tuple(torch.FloatTensor)
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)。
- 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。
返回
transformers.models.rt_detr.modeling_rt_detr.RTDetrObjectDetectionOutput
or tuple(torch.FloatTensor)
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 toNone
) — 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
RTDetrForObjectDetection 的 forward 方法重写了 `__call__` 特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import RTDetrImageProcessor, RTDetrForObjectDetection
>>> from PIL import Image
>>> import requests
>>> import torch
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
>>> model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r50vd")
>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # forward pass
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 300, 80]
>>> boxes = outputs.pred_boxes
>>> list(boxes.shape)
[1, 300, 4]
>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.9, target_sizes=target_sizes)[
... 0
... ]
>>> for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
... box = [round(i, 2) for i in box.tolist()]
... print(
... f"Detected {model.config.id2label[label.item()]} with confidence "
... f"{round(score.item(), 3)} at location {box}"
... )
Detected sofa with confidence 0.97 at location [0.14, 0.38, 640.13, 476.21]
Detected cat with confidence 0.96 at location [343.38, 24.28, 640.14, 371.5]
Detected cat with confidence 0.958 at location [13.23, 54.18, 318.98, 472.22]
Detected remote with confidence 0.951 at location [40.11, 73.44, 175.96, 118.48]
Detected remote with confidence 0.924 at location [333.73, 76.58, 369.97, 186.99]
RTDetrResNetBackbone
class transformers.RTDetrResNetBackbone
< source >( config )
参数
- config (RTDetrResNetBackbone) — 模型配置类,包含了模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
ResNet 主干网络,用于像 RTDETR 这样的框架。
该模型继承自 PreTrainedModel。请查阅超类文档以了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像使用常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( pixel_values: Tensor output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BackboneOutput
or tuple(torch.FloatTensor)
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。
返回
transformers.modeling_outputs.BackboneOutput
or tuple(torch.FloatTensor)
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。
RTDetrResNetBackbone 的 forward 方法重写了 `__call__` 特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者会处理预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import RTDetrResNetConfig, RTDetrResNetBackbone
>>> import torch
>>> config = RTDetrResNetConfig()
>>> model = RTDetrResNetBackbone(config)
>>> pixel_values = torch.randn(1, 3, 224, 224)
>>> with torch.no_grad():
... outputs = model(pixel_values)
>>> feature_maps = outputs.feature_maps
>>> list(feature_maps[-1].shape)
[1, 2048, 7, 7]