deformable-detr - 使用ResNet-50骨干网络实现的Deformable DETR目标检测模型

Deformable DETR项目介绍

Deformable DETR是一个创新的目标检测模型，它通过采用ResNet-50作为骨干，与变形检测变压器（DETR）相结合，实现了端到端的目标检测能力。这个模型在COCO 2017数据集上进行训练，该数据集包含多达118,000张标注图像。Deformable DETR的研究成果首次被Zhu等人介绍，并公开在GitHub上的一个仓库中。

模型描述

Deformable DETR模型的核心结构是一个编码器-解码器结构，搭配卷积神经网络作为其基础。为了实现目标检测功能，这个模型在解码器的输出上添加了两个“头”：一个用于类别标签识别的线性层，另一个是用于边界框预测的多层感知器（MLP）。

该模型采用了一种称为“对象查询”的独特机制来检测图像中的对象。总共有100个对象查询用于COCO数据集的检测，即每个查询寻找图像中特定的对象。对于每个图像，这些对象查询的预测结果会与真实的标注进行匹配，并通过匈牙利算法进行优化。

使用场景与限制

Deformable DETR被设计用于实现图像中的目标检测任务。用户可以在模型库中查找不同可用的Deformable DETR模型，以实现特定的应用需求。

如何使用

以下是使用此模型的简单示例代码：

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("SenseTime/deformable-detr")
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr")

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

target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[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}"
    )

该模型目前支持PyTorch框架，提供了快速便捷的目标检测能力。

训练数据

Deformable DETR模型通过COCO 2017对象检测数据集进行训练，该数据集包含118,000张用于训练的标注图像以及5,000张用于验证的图像。

引用信息

如果需要引用这项工作，请使用以下BibTeX格式：

@misc{https://doi.org/10.48550/arxiv.2010.04159,
  doi = {10.48550/ARXIV.2010.04159},
  url = {https://arxiv.org/abs/2010.04159}, 
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  publisher = {arXiv},
  year = {2020},
  copyright = {arXiv.org perpetual, non-exclusive license}
}