Transformers 文档
ViTDet
并获得增强的文档体验
开始使用
ViTDet
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。
技巧
- 目前,仅提供骨干网络。
VitDetConfig
class transformers.VitDetConfig
< 源 >( 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
< 源 >( 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
< 源 >( 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]