Hugging Face 的 LOGO

Transformers 文档

ViTDet

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

ViTDet

PyTorch

概述

ViTDet 模型由 Yanghao Li、Hanzi Mao、Ross Girshick 和 Kaiming He 在 Exploring Plain Vision Transformer Backbones for Object Detection 中提出。VitDet 利用普通的 Vision Transformer 进行目标检测任务。

论文摘要如下：

我们探索了普通、非分层的 Vision Transformer (ViT) 作为目标检测的骨干网络。这种设计使得原始的 ViT 架构可以直接用于目标检测的微调，而无需重新设计用于预训练的分层骨干。通过最小的微调适应，我们的纯骨干检测器可以获得有竞争力的结果。令人惊讶的是，我们观察到：(i) 仅从单尺度特征图（无需常见的 FPN 设计）构建简单的特征金字塔就足够了；(ii) 使用窗口注意力（无需移位）并在少量跨窗口传播块的辅助下就足够了。使用作为 Masked Autoencoders (MAE) 预训练的纯 ViT 骨干，我们的检测器，名为 ViTDet，可以与之前所有基于分层骨干的领先方法竞争，仅使用 ImageNet-1K 预训练即可在 COCO 数据集上达到 61.3 AP_box。

该模型由 nielsr 贡献。原始代码可在 此处 找到。

技巧

  • 目前，仅提供骨干网络。

VitDetConfig

class transformers.VitDetConfig

< >

( hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 mlp_ratio = 4 hidden_act = 'gelu' dropout_prob = 0.0 initializer_range = 0.02 layer_norm_eps = 1e-06 image_size = 224 pretrain_image_size = 224 patch_size = 16 num_channels = 3 qkv_bias = True drop_path_rate = 0.0 window_block_indices = [] residual_block_indices = [] use_absolute_position_embeddings = True use_relative_position_embeddings = False window_size = 0 out_features = None out_indices = None **kwargs )

参数

  • hidden_size (int, 可选, 默认为 768) — 编码器层和池化层维度。
  • num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数量。
  • mlp_ratio (int, 可选, 默认为 4) — MLP 隐藏维度与嵌入维度之比。
  • hidden_act (str 或 function, 可选, 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"、"selu" 和 "gelu_new"。
  • dropout_prob (float, 可选, 默认为 0.0) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。
  • initializer_range (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。
  • layer_norm_eps (float, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon 值。
  • image_size (int, 可选, 默认为 224) — 每张图片的大小（分辨率）。
  • pretrain_image_size (int, 可选, 默认为 224) — 预训练期间每张图片的大小（分辨率）。
  • patch_size (int, 可选, 默认为 16) — 每个补丁的大小（分辨率）。
  • num_channels (int, 可选, 默认为 3) — 输入通道的数量。
  • qkv_bias (bool, 可选, 默认为 True) — 是否为查询、键和值添加偏置。
  • drop_path_rate (float, 可选, 默认为 0.0) — 随机深度率。
  • window_block_indices (list[int], 可选, 默认为 []) — 应使用窗口注意力而不是常规全局自注意力的块索引列表。
  • residual_block_indices (list[int], 可选, 默认为 []) — 在 MLP 之后应具有额外残差块的块索引列表。
  • use_absolute_position_embeddings (bool, 可选, 默认为 True) — 是否为补丁嵌入添加绝对位置嵌入。
  • use_relative_position_embeddings (bool, 可选, 默认为 False) — 是否为注意力图添加相对位置嵌入。
  • window_size (int, 可选, 默认为 0) — 注意力窗口的大小。
  • out_features (list[str], 可选) — 如果用作骨干网络，要输出的特征列表。可以是 "stem"、"stage1"、"stage2" 等（取决于模型有多少个阶段）。如果未设置且 out_indices 已设置，则默认为相应的阶段。如果未设置且 out_indices 未设置，则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], 可选) — 如果用作骨干网络，要输出的特征索引列表。可以是 0, 1, 2 等（取决于模型有多少个阶段）。如果未设置且 out_features 已设置，则默认为相应的阶段。如果未设置且 out_features 未设置，则默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。

这是一个配置类，用于存储 VitDetModel 的配置。它用于根据指定参数实例化 VitDet 模型，定义模型架构。使用默认值实例化配置将产生与 VitDet google/vitdet-base-patch16-224 架构相似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PretrainedConfig 的文档。

示例

>>> from transformers import VitDetConfig, VitDetModel

>>> # Initializing a VitDet configuration
>>> configuration = VitDetConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = VitDetModel(configuration)

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

VitDet模型

class transformers.VitDetModel

< >

( config: VitDetConfig )

参数

  • config (VitDetConfig) — 模型配置类，包含模型的所有参数。使用配置文件实例化不会加载与模型相关的权重，仅加载配置。请查阅 from_pretrained() 方法以加载模型权重。

裸 Vitdet 模型输出原始隐藏状态，不带任何特定头部。

此模型继承自 PreTrainedModel。查阅超类文档以了解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）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参阅 PyTorch 文档以了解与一般用法和行为相关的所有事项。

前向传播

< >

( pixel_values: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

参数

  • pixel_values (torch.Tensor, 形状为 (batch_size, num_channels, image_size, image_size), 可选) — 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）。
  • head_mask (torch.Tensor, 形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在 [0, 1]：

    • 1 表示头部未被掩盖，
    • 0 表示头部被掩盖。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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 而不是纯元组。

返回

transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutput 或 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（VitDetConfig）和输入的不同元素。

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

  • hidden_states (tuple(torch.FloatTensor), 可选, 在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则为嵌入层输出一个，每个层输出一个）的形状为 (batch_size, sequence_length, hidden_size)。

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选, 在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每个层一个）的形状为 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

VitDetModel 的前向传播方法，覆盖了 __call__ 特殊方法。

虽然前向传播的实现需要在该函数中定义，但之后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则静默忽略它们。

示例

>>> from transformers import VitDetConfig, VitDetModel
>>> import torch

>>> config = VitDetConfig()
>>> model = VitDetModel(config)

>>> pixel_values = torch.randn(1, 3, 224, 224)

>>> with torch.no_grad():
...     outputs = model(pixel_values)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 768, 14, 14]
< > 在 GitHub 上更新

←ViT Hybrid ViTMAE→