参数

• backbone_config (PretrainedConfig) — 主干网络配置。

配置对象的实例

参数

• images (ImageInput) — 要预处理的图像或一批图像。期望输入像素值范围为 0 到 255 的单个或一批图像。如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
• annotations (AnnotationType or List[AnnotationType], optional) — 与图像或一批图像关联的注释列表。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。每个注释都应是一个字典。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]): 图像的分割列表。每个分割都应是一个字典。图像可以没有分割，在这种情况下，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)。请勿保持纵横比。
  • {"shortest_edge": int, "longest_edge": int}: 图像将在保持纵横比的前提下调整为最大尺寸，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}: 图像将在保持纵横比的前提下调整为最大尺寸，并保持高度小于或等于 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过滤器。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否缩放图像。
• 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) — 是否标准化图像。
• do_convert_annotations (bool, optional, defaults to 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，并使用相对坐标。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 归一化图像时使用的均值。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 归一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，则会在图像的底部和右侧填充零。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 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 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (高度, 宽度, 通道数)。
  • 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，通道维度格式将从输入图像中推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (通道数, 高度, 宽度)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (高度, 宽度, 通道数)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (高度, 宽度)。
• pad_size (Dict[str, int], 可选) — 要将图像填充到的尺寸 {"height": int, "width" int}。必须大于预处理提供的任何图像尺寸。如果未提供 pad_size，图像将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, 可选, 默认为 0.5) — 保留物体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) 的张量或元组列表 (Tuple[int, int])，其中包含批次中每个图像的目标尺寸 (高度, 宽度)。如果未设置，则不会调整预测大小。
• use_focal_loss (bool, 默认为 True) — 变量，指示是否使用 focal loss 来预测输出。如果为 True，则应用 sigmoid 函数来计算每个检测的分数；否则，使用 softmax 函数。

字典列表，每个字典包含模型预测的批次中一个图像的分数、标签和边界框。

参数

• images (ImageInput) — 要预处理的图像。期望是像素值范围为 0 到 255 的单个或一批图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• 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) — 描述模型的最大输入尺寸。
• resample (PILImageResampling 或 InterpolationMode, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样过滤器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时才有效。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否对图像进行中心裁剪。
• crop_size (Dict[str, int], 可选, 默认为 self.crop_size) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时才有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才有效。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (ChannelDimension 或 str, 可选, 默认为 self.data_format) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (ChannelDimension 或 str, 可选, 默认为 self.input_data_format) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。 可选值为：
  • "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, 默认为 self.device) — 用于处理图像的设备。如果未设置，则设备从输入图像推断。
• annotations (AnnotationType 或 List[AnnotationType], 可选) — 与图像或图像批次关联的注释列表。如果注释用于目标检测，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]): 图像分割列表。每个分割应为一个字典。图像可以没有分割，在这种情况下，列表应为空。
  • “file_name” (str): 图像的文件名。
• format (str, 可选, 默认为 AnnotationFormat.COCO_DETECTION) — 注释的数据格式。可选值为 “coco_detection” 或 “coco_panoptic”。
• do_convert_annotations (bool, 可选, 默认为 True) — 控制是否将注释转换为 DETR 模型期望的格式。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，则将在图像的底部和右侧填充零。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的最大高度和宽度。
• pad_size (Dict[str, int], 可选) — 要将图像填充到的尺寸 {"height": int, "width" int}。 必须大于预处理提供的任何图像尺寸。 如果未提供 pad_size，则图像将填充到批次中的最大高度和宽度。
• return_segmentation_masks (bool, 可选, 默认为 False) — 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。

参数

• outputs (DetrObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选, 默认为 0.5) — 保留目标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) 的张量或元组列表 (Tuple[int, int])，其中包含批次中每个图像的目标尺寸 (height, width)。 如果未设置，则不会调整预测大小。
• use_focal_loss (bool 默认为 True) — 变量，指示是否使用 focal loss 来预测输出。 如果为 True，则应用 sigmoid 函数来计算每个检测的分数；否则，使用 softmax 函数。

字典列表，每个字典包含模型预测的批次中一个图像的分数、标签和边界框。

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。 默认情况下，如果您提供填充，则会忽略填充。 像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 RTDetrImageProcessor.call()。
• pixel_mask (形状为 (batch_size, height, width) 的 torch.LongTensor, 可选) — 用于避免对填充像素值执行注意力的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示真实像素（即未掩码），
  • 0 表示填充像素（即已掩码）。

  什么是注意力掩码？

• encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选: hidden_states, 可选: attentions) 组成。 形状为 (batch_size, sequence_length, hidden_size) 的 last_hidden_state, 可选) 是编码器最后一层输出端的隐藏状态序列。 用于解码器的交叉注意力机制。
• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — （可选）您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（骨干网络 + 投影层的输出）。
• decoder_inputs_embeds (形状为 (batch_size, num_queries, hidden_size) 的 torch.FloatTensor, 可选) — （可选）您可以选择直接传递嵌入表示，而不是使用零张量初始化查询。
• labels (长度为 (batch_size,) 的 List[Dict], 可选) — 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”（分别为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。
• 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，请参见返回张量下的 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，请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

一个 transformers.models.rt_detr.modeling_rt_detr.RTDetrModelOutput 或一个 torch.FloatTensor 的元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (RTDetrConfig) 和输入。

• last_hidden_state (形状为 (batch_size, num_queries, hidden_size) 的 torch.FloatTensor) — 模型解码器最后一层的输出的隐藏状态序列。
• intermediate_hidden_states (形状为 (batch_size, config.decoder_layers, num_queries, hidden_size) 的 torch.FloatTensor) — 堆叠的中间隐藏状态（解码器每一层的输出）。
• intermediate_logits (形状为 (batch_size, config.decoder_layers, sequence_length, config.num_labels) 的 torch.FloatTensor) — 堆叠的中间 logits（解码器每一层的 logits）。
• intermediate_reference_points (形状为 (batch_size, config.decoder_layers, num_queries, 4) 的 torch.FloatTensor) — 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（每个层的输出以及初始嵌入输出各一个），形状为 (batch_size, num_queries, hidden_size)。解码器每一层的输出的隐藏状态，加上初始嵌入输出。
• decoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, num_queries, num_queries)。解码器的注意力权重，在 attention softmax 之后，用于计算自注意力头中的加权平均值。
• cross_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_queries, num_heads, 4, 4)。解码器的交叉注意力层的注意力权重，在 attention softmax 之后，用于计算交叉注意力头中的加权平均值。
• encoder_last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 模型编码器最后一层的输出的隐藏状态序列。
• encoder_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（每个层的输出以及初始嵌入输出各一个），形状为 (batch_size, sequence_length, hidden_size)。编码器每一层的输出的隐藏状态，加上初始嵌入输出。
• encoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_queries, num_heads, 4, 4)。编码器的注意力权重，在 attention softmax 之后，用于计算自注意力头中的加权平均值。
• init_reference_points (形状为 (batch_size, num_queries, 4) 的 torch.FloatTensor) — 通过 Transformer 解码器发送的初始参考点。
• enc_topk_logits (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 预测的边界框分数，其中在编码器阶段选择 top config.two_stage_num_proposals 个评分最高的边界框作为区域提议。边界框二元分类（即前景和背景）的输出。
• enc_topk_bboxes (形状为 (batch_size, sequence_length, 4) 的 torch.FloatTensor) — 编码器阶段中预测的边界框坐标的 logits。
• enc_outputs_class (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor, 可选, 当 config.with_box_refine=True 且 config.two_stage=True 时返回) — 预测的边界框分数，其中在第一阶段选择 top config.two_stage_num_proposals 个评分最高的边界框作为区域提议。边界框二元分类（即前景和背景）的输出。
• enc_outputs_coord_logits (形状为 (batch_size, sequence_length, 4) 的 torch.FloatTensor, 可选, 当 config.with_box_refine=True 且 config.two_stage=True 时返回) — 第一阶段中预测的边界框坐标的 logits。
• denoising_meta_values (dict) — 用于去噪相关值的额外字典

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。默认情况下，如果您提供 padding，则会忽略 padding。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 RTDetrImageProcessor.call()。
• pixel_mask (形状为 (batch_size, height, width) 的 torch.LongTensor, 可选) — 用于避免对 padding 像素值执行 attention 的掩码。在 [0, 1] 中选择的掩码值：
  • 1 代表真实像素（即未被掩码），
  • 0 代表 padding 像素（即被掩码）。

  什么是 attention 掩码？

• encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选: hidden_states, 可选: attentions) 组成，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。在解码器的交叉注意力中使用。
• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 可选地，您可以选择直接传递图像的展平表示，而不是传递展平的特征图（骨干网络 + 投影层的输出）。
• decoder_inputs_embeds (形状为 (batch_size, num_queries, hidden_size) 的 torch.FloatTensor, 可选) — 可选地，您可以选择直接传递嵌入表示，而不是使用零张量初始化 queries。
• labels (长度为 (batch_size,) 的 List[Dict], 可选) — 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'（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 boxes 的形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。
• output_attentions (bool, 可选) — 是否返回所有 attention 层的 attention 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。
• labels (长度为 (batch_size,) 的 List[Dict], 可选) — 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'（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 boxes 的形状为 (图像中边界框的数量, 4) 的 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 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (RTDetrConfig) 和输入。

• loss (形状为 (1,) 的 torch.FloatTensor, 可选, 当提供 labels 时返回) — 总损失，是类别预测的负对数似然（交叉熵）损失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 queries 的分类 logits（包括无对象）。
• pred_boxes (形状为 (batch_size, num_queries, 4) 的 torch.FloatTensor) — 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] 范围内归一化，相对于批次中每个单独图像的大小（忽略可能的 padding）。您可以使用 post_process_object_detection() 来检索未归一化（绝对）的边界框。
• auxiliary_outputs (list[Dict], 可选) — 可选，仅当辅助损失激活时返回（即 config.auxiliary_loss 设置为 True）并且提供了 labels。它是字典列表，其中包含每个解码器层的上述两个键（logits 和 pred_boxes）。
• last_hidden_state (形状为 (batch_size, num_queries, hidden_size) 的 torch.FloatTensor) — 模型解码器最后一层的输出的隐藏状态序列。
• intermediate_hidden_states (形状为 (batch_size, config.decoder_layers, num_queries, hidden_size) 的 torch.FloatTensor) — 堆叠的中间隐藏状态（解码器每一层的输出）。
• intermediate_logits (形状为 (batch_size, config.decoder_layers, num_queries, config.num_labels) 的 torch.FloatTensor) — 堆叠的中间 logits（解码器每一层的 logits）。
• intermediate_reference_points (形状为 (batch_size, config.decoder_layers, num_queries, 4) 的 torch.FloatTensor) — 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（每个层的输出以及初始嵌入输出各一个），形状为 (batch_size, num_queries, hidden_size)。解码器每一层的输出的隐藏状态，加上初始嵌入输出。
• decoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, num_queries, num_queries)。解码器的注意力权重，在 attention softmax 之后，用于计算自注意力头中的加权平均值。
• cross_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_queries, num_heads, 4, 4)。解码器的交叉注意力层的注意力权重，在 attention softmax 之后，用于计算交叉注意力头中的加权平均值。
• encoder_last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 模型编码器最后一层的输出的隐藏状态序列。
• encoder_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（每个层的输出以及初始嵌入输出各一个），形状为 (batch_size, sequence_length, hidden_size)。编码器每一层的输出的隐藏状态，加上初始嵌入输出。
• encoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_queries, num_heads, 4, 4)。编码器的注意力权重，在 attention softmax 之后，用于计算自注意力头中的加权平均值。
• init_reference_points (形状为 (batch_size, num_queries, 4) 的 torch.FloatTensor) — 通过 Transformer 解码器发送的初始参考点。
• enc_topk_logits (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor, 可选, 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 (形状为 (batch_size, sequence_length, 4) 的 torch.FloatTensor, 可选, 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 (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor, 可选, 当 config.with_box_refine=True 且 config.two_stage=True 时返回) — 预测的边界框分数，其中在第一阶段选择 top config.two_stage_num_proposals 个评分最高的边界框作为区域提议。边界框二元分类（即前景和背景）的输出。
• enc_outputs_coord_logits (形状为 (batch_size, sequence_length, 4) 的 torch.FloatTensor, 可选, 当 config.with_box_refine=True 且 config.two_stage=True 时返回) — 第一阶段中预测的边界框坐标的 logits。
• denoising_meta_values (dict) — 用于去噪相关值的额外字典

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 RTDetrImageProcessor.call()。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的 hidden_states 。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是一个普通的元组。

一个 transformers.modeling_outputs.BackboneOutput 或一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (RTDetrResNetConfig) 和输入。

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

• hidden_states (tuple(torch.FloatTensor), 可选, 当传递了 output_hidden_states=True 或者当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (每个嵌入输出一个 + 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size) 或 (batch_size, num_channels, height, width)，取决于backbone。

  模型在每个阶段输出以及初始嵌入输出的隐藏状态。

• attentions (tuple(torch.FloatTensor), 可选, 当传递了 output_attentions=True 或者当 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backbone使用attention时适用。

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