Transformers 文档

Table Transformer

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Table Transformer

PyTorch

概述

Table Transformer 模型由 Brandon Smock、Rohith Pesala 和 Robin Abraham 在论文 PubTables-1M: Towards comprehensive table extraction from unstructured documents 中提出。作者们引入了一个名为 PubTables-1M 的新数据集,用于衡量从非结构化文档中进行表格提取、表格结构识别和功能分析的进展。作者训练了 2 个 DETR 模型,一个用于表格检测,另一个用于表格结构识别,并将其命名为 Table Transformers。

论文摘要如下:

最近,在将机器学习应用于非结构化文档中的表格结构推理和提取问题上取得了显著进展。然而,最大的挑战之一仍然是创建具有完整、明确的地面实况且规模庞大的数据集。为了解决这个问题,我们开发了一个更全面的表格提取数据集,名为 PubTables-1M。PubTables-1M 包含近一百万个来自科学文章的表格,支持多种输入模式,并包含表格结构的详细标题和位置信息,使其适用于各种建模方法。它还通过一种新颖的规范化程序,解决了先前数据集中观察到的一个主要的地面实况不一致性问题,即过度分割。我们证明了这些改进显著提高了表格结构识别的训练性能,并为评估时的模型性能提供了更可靠的估计。此外,我们表明,在 PubTables-1M 上训练的基于 Transformer 的目标检测模型,在检测、结构识别和功能分析这三个任务上均取得了优异的结果,而无需为这些任务进行任何特殊定制。

drawing 表格检测与表格结构识别的图示。引自原始论文

作者发布了 2 个模型,一个用于文档中的表格检测,另一个用于表格结构识别(即识别表格中的各个行、列等)。

该模型由 nielsr 贡献。原始代码可以在这里找到。

资源

物体检测
  • Table Transformer 的演示笔记本可以在这里找到。
  • 事实证明,图像填充对于检测非常重要。一个包含作者回复的有趣的 Github 讨论可以在这里找到。

TableTransformerConfig

class transformers.TableTransformerConfig

< >

( use_timm_backbone = True backbone_config = None num_channels = 3 num_queries = 100 encoder_layers = 6 encoder_ffn_dim = 2048 encoder_attention_heads = 8 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 8 encoder_layerdrop = 0.0 decoder_layerdrop = 0.0 is_encoder_decoder = True activation_function = 'relu' d_model = 256 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 init_xavier_std = 1.0 auxiliary_loss = False position_embedding_type = 'sine' backbone = 'resnet50' use_pretrained_backbone = True backbone_kwargs = None dilation = False class_cost = 1 bbox_cost = 5 giou_cost = 2 mask_loss_coefficient = 1 dice_loss_coefficient = 1 bbox_loss_coefficient = 5 giou_loss_coefficient = 2 eos_coefficient = 0.1 **kwargs )

参数

  • use_timm_backbone (bool, 可选, 默认为 True) — 是否使用 timm 库作为主干网络。如果设置为 False,将使用 AutoBackbone API。
  • backbone_config (PretrainedConfigdict, 可选) — 主干网络的配置。仅在 use_timm_backbone 设置为 False 时使用,此时将默认为 ResNetConfig()
  • num_channels (int, 可选, 默认为 3) — 输入通道数。
  • num_queries (int, 可选, 默认为 100) — 对象查询的数量,即检测槽。这是 TableTransformerModel 在单张图像中可以检测到的最大对象数量。对于 COCO 数据集,我们建议使用 100 个查询。
  • d_model (int, 可选, 默认为 256) — 层的维度。
  • encoder_layers (int, 可选, 默认为 6) — 编码器层数。
  • decoder_layers (int, 可选, 默认为 6) — 解码器层数。
  • encoder_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。
  • decoder_attention_heads (int, 可选, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数。
  • decoder_ffn_dim (int, 可选, 默认为 2048) — 解码器中“中间层”(通常称为前馈层)的维度。
  • encoder_ffn_dim (int, 可选, 默认为 2048) — 解码器中“中间层”(通常称为前馈层)的维度。
  • activation_function (strfunction, 可选, 默认为 "relu") — 编码器和池化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""gelu_new"
  • dropout (float, 可选, 默认为 0.1) — 嵌入层、编码器和池化层中所有全连接层的丢弃概率。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的丢弃率。
  • activation_dropout (float, 可选, 默认为 0.0) — 全连接层内部激活函数的丢弃率。
  • init_std (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。
  • init_xavier_std (float, 可选, 默认为 1) — HM Attention 映射模块中用于 Xavier 初始化增益的缩放因子。
  • encoder_layerdrop (float, 可选, 默认为 0.0) — 编码器的 LayerDrop 概率。更多细节请参见 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。
  • decoder_layerdrop (float, 可选, 默认为 0.0) — 解码器的 LayerDrop 概率。更多细节请参见 [LayerDrop 论文](参见 https://huggingface.co/papers/1909.11556)。
  • auxiliary_loss (bool, 可选, 默认为 False) — 是否使用辅助解码损失(在每个解码器层计算损失)。
  • position_embedding_type (str, 可选, 默认为 "sine") — 用于图像特征之上的位置嵌入类型。可选值为 "sine""learned"
  • backbone (str, 可选) — 当 backbone_configNone 时使用的主干网络名称。如果 use_pretrained_backboneTrue,将从 timm 或 transformers 库中加载相应的预训练权重。如果 use_pretrained_backboneFalse,将加载主干网络的配置并用其初始化随机权重的主干网络。
  • use_pretrained_backbone (bool, 可选, True) — 是否为主干网络使用预训练权重。
  • backbone_kwargs (dict, 可选) — 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,则不能指定此参数。
  • dilation (bool, 可选, 默认为 False) — 是否在最后一个卷积块(DC5)中用空洞卷积替换步长。仅当 use_timm_backbone = True 时支持。
  • class_cost (float, 可选, 默认为 1) — 匈牙利匹配代价中分类错误的相对权重。
  • bbox_cost (float, 可选, 默认为 5) — 匈牙利匹配代价中边界框坐标的 L1 误差的相对权重。
  • giou_cost (float, 可选, 默认为 2) — 匈牙利匹配代价中边界框的广义 IoU 损失的相对权重。
  • mask_loss_coefficient (float, 可选, 默认为 1) — 全景分割损失中 Focal 损失的相对权重。
  • dice_loss_coefficient (float, 可选, 默认为 1) — 全景分割损失中 DICE/F-1 损失的相对权重。
  • bbox_loss_coefficient (float, 可选, 默认为 5) — 目标检测损失中 L1 边界框损失的相对权重。
  • giou_loss_coefficient (float, 可选, 默认为 2) — 目标检测损失中广义 IoU 损失的相对权重。
  • eos_coefficient (float, 可选, 默认为 0.1) — 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 TableTransformerModel 配置的配置类。它用于根据指定的参数实例化一个 Table Transformer 模型,定义模型架构。使用默认值实例化配置将产生与 Table Transformer microsoft/table-transformer-detection 架构类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。更多信息请阅读 PretrainedConfig 的文档。

示例

>>> from transformers import TableTransformerModel, TableTransformerConfig

>>> # Initializing a Table Transformer microsoft/table-transformer-detection style configuration
>>> configuration = TableTransformerConfig()

>>> # Initializing a model from the microsoft/table-transformer-detection style configuration
>>> model = TableTransformerModel(configuration)

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

TableTransformerModel

class transformers.TableTransformerModel

< >

( config: TableTransformerConfig )

参数

  • config (TableTransformerConfig) — 包含模型所有参数的模型配置类。使用配置文件进行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。

基础 Table Transformer 模型(由一个主干网络和编码器-解码器 Transformer 组成),输出原始的隐藏状态,顶部没有任何特定的头部。

该模型继承自 PreTrainedModel。请查阅超类文档以了解该库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、修剪头部等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.FloatTensor] = None decoder_attention_mask: typing.Optional[torch.FloatTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.table_transformer.modeling_table_transformer.TableTransformerModelOutputtuple(torch.FloatTensor)

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} 处理图像)。
  • pixel_mask (torch.FloatTensor,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机制的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示真实像素(即未被掩码),
    • 0 表示填充像素(即被掩码)。

    什么是注意力掩码?

  • decoder_attention_mask (torch.FloatTensor,形状为 (batch_size, num_queries), 可选) — 默认不使用。可用于掩码对象查询。
  • encoder_outputs (torch.FloatTensor, 可选) — 元组,包含 (last_hidden_state, 可选: hidden_states, 可选: 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,形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,你可以不传递扁平化的特征图(主干网络 + 投影层的输出),而是选择直接传递图像的扁平化表示。
  • decoder_inputs_embeds (torch.FloatTensor,形状为 (batch_size, num_queries, hidden_size), 可选) — 可选地,你可以不使用零张量初始化查询,而是选择直接传递一个嵌入表示。
  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.table_transformer.modeling_table_transformer.TableTransformerModelOutputtuple(torch.FloatTensor)

一个 transformers.models.table_transformer.modeling_table_transformer.TableTransformerModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(TableTransformerConfig)和输入,包含各种元素。

  • last_hidden_state (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size)) — 模型解码器最后一层输出的隐藏状态序列。

  • past_key_values (~cache_utils.EncoderDecoderCache, 可选, 当传递 use_cache=Trueconfig.use_cache=True 时返回) — 这是一个 Cache 实例。更多详情请参阅我们的 kv cache 指南

    包含预先计算的隐藏状态(自注意力块中的键和值,如果 config.is_encoder_decoder=True,则可选地包含在交叉注意力块中),可用于(参见 past_key_values 输入)加速顺序解码。

  • decoder_hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),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, ...], 可选, 当传递 output_attentions=Trueconfig.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, ...], 可选, 当传递 output_attentions=Trueconfig.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,形状为 (batch_size, sequence_length, hidden_size)可选) — 模型编码器最后一层输出的隐藏状态序列。

  • encoder_hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),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, ...], 可选, 当传递 output_attentions=Trueconfig.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。

  • intermediate_hidden_states (torch.FloatTensor,形状为 (config.decoder_layers, batch_size, sequence_length, hidden_size), 可选, 当 config.auxiliary_loss=True 时返回) — 中间解码器激活值,即每个解码器层的输出,每个都经过了层归一化。

TableTransformerModel 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传播的流程需要在此函数内定义,但之后应该调用 Module 实例而不是这个函数,因为前者会负责运行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, TableTransformerModel
>>> from huggingface_hub import hf_hub_download
>>> from PIL import Image

>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf.png")
>>> image = Image.open(file_path).convert("RGB")

>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/table-transformer-detection")
>>> model = TableTransformerModel.from_pretrained("microsoft/table-transformer-detection")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**inputs)

>>> # the last hidden states are the final query embeddings of the Transformer decoder
>>> # these are of shape (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 15, 256]

TableTransformerForObjectDetection

class transformers.TableTransformerForObjectDetection

< >

( config: TableTransformerConfig )

参数

  • config (TableTransformerConfig) — 包含模型所有参数的模型配置类。使用配置文件进行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。

Table Transformer 模型(由一个主干网络和编码器-解码器 Transformer 组成),顶部带有目标检测头,用于诸如 COCO 检测等任务。

该模型继承自 PreTrainedModel。请查阅超类文档以了解该库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、修剪头部等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规的 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.FloatTensor] = None decoder_attention_mask: typing.Optional[torch.FloatTensor] = 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.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutputtuple(torch.FloatTensor)

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} 处理图像)。
  • pixel_mask (torch.FloatTensor,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机制的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示真实像素(即未被掩码),
    • 0 表示填充像素(即被掩码)。

    什么是注意力掩码?

  • decoder_attention_mask (torch.FloatTensor,形状为 (batch_size, num_queries), 可选) — 默认不使用。可用于掩码对象查询。
  • encoder_outputs (torch.FloatTensor, 可选) — 元组,包含 (last_hidden_state, 可选: hidden_states, 可选: 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,形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,你可以不传递扁平化的特征图(主干网络 + 投影层的输出),而是选择直接传递图像的扁平化表示。
  • decoder_inputs_embeds (torch.FloatTensor,形状为 (batch_size, num_queries, hidden_size), 可选) — 可选地,你可以不使用零张量初始化查询,而是选择直接传递一个嵌入表示。
  • 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两个键:'class_labels' 和 'boxes'(分别表示批次中一个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`,而边界框应该是一个形状为 `(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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutputtuple(torch.FloatTensor)

一个 transformers.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(TableTransformerConfig)和输入,包含各种元素。

  • loss (torch.FloatTensor,形状为 (1,), 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)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)torch.FloatTensor) — 所有查询的分类 logits(包括无对象)。

  • pred_boxes (torch.FloatTensor,形状为 (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 ~TableTransformerImageProcessor.post_process_object_detection 来检索未归一化的边界框。

  • auxiliary_outputs (list[Dict], 可选) — 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(logitspred_boxes)。

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor可选) — 模型解码器最后一层输出的隐藏状态序列。

  • decoder_hidden_states (tuple[torch.FloatTensor], 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),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], 可选, 当传递 output_attentions=Trueconfig.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], 可选, 当传递 output_attentions=Trueconfig.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,形状为 (batch_size, sequence_length, hidden_size), 可选, 默认为 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], 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),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], 可选, 当传递 output_attentions=Trueconfig.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。

TableTransformerForObjectDetection 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传播的流程需要在此函数内定义,但之后应该调用 Module 实例而不是这个函数,因为前者会负责运行预处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from huggingface_hub import hf_hub_download
>>> from transformers import AutoImageProcessor, TableTransformerForObjectDetection
>>> import torch
>>> from PIL import Image

>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf.png")
>>> image = Image.open(file_path).convert("RGB")

>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/table-transformer-detection")
>>> model = TableTransformerForObjectDetection.from_pretrained("microsoft/table-transformer-detection")

>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)

>>> # 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 table with confidence 1.0 at location [202.1, 210.59, 1119.22, 385.09]
< > 在 GitHub 上更新