Transformers documentation

RT-DETR

Transformers

Bắt đầu

Transformers Cài đặt Bắt đầu nhanh

Lớp cơ sở

Mô hình

Bộ tiền xử lý

Suy luận

Pipeline API

Tạo API

Tối ưu hóa

Trò chuyện với các model

Serving

Huấn luyện

Bắt đầu

Tùy chỉnh

Tinh chỉnh hiệu quả tham số

Hiệu năng

Huấn luyện phân tán

Phần cứng

Lượng tử hóa

Tích hợp hệ sinh thái

Tài nguyên

API

Các lớp chính

Mô hình

Mô hình văn bản

Mô hình thị giác

Mô hình âm thanh

Mô hình video

Mô hình đa phương thức

Mô hình học tăng cường

Mô hình chuỗi thời gian

Hàm trợ giúp nội bộ

Tham khảo

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Mô hình này được công bố trên HF papers vào ngày 17-04-2023 và được đóng góp cho Hugging Face Transformers vào ngày 22-06-2024.

RT-DETR

Tổng quan

Mô hình RT-DETR được đề xuất trong DETRs Beat YOLOs on Real-time Object Detection bởi Wenyu Lv, Yian Zhao, Shangliang Xu, Jinman Wei, Guanzhong Wang, Cheng Cui, Yuning Du, Qingqing Dang, Yi Liu.

RT-DETR là một mô hình phát hiện đối tượng, viết tắt của “Real-Time DEtection Transformer” (Biến đổi phát hiện thời gian thực). Mô hình này được thiết kế để thực hiện các tác vụ phát hiện đối tượng với trọng tâm là đạt hiệu suất thời gian thực trong khi vẫn duy trì độ chính xác cao. Tận dụng kiến trúc transformer, vốn đã trở nên phổ biến rộng rãi trong nhiều lĩnh vực của học sâu, RT-DETR xử lý hình ảnh để xác định và định vị nhiều đối tượng trong đó.

Tóm tắt từ bài báo như sau:

Gần đây, các bộ phát hiện đối tượng dựa trên transformer theo kiểu end-to-end (DETR) đã đạt được hiệu suất đáng kể. Tuy nhiên, vấn đề về chi phí tính toán cao của DETR vẫn chưa được giải quyết hiệu quả, hạn chế việc ứng dụng thực tế và ngăn chúng khai thác đầy đủ các lợi ích của việc không cần xử lý hậu kỳ, chẳng hạn như non-maximum suppression (NMS). Trong bài báo này, trước tiên chúng tôi phân tích ảnh hưởng của NMS trong các bộ phát hiện đối tượng thời gian thực hiện đại đối với tốc độ suy luận, và thiết lập một chuẩn đánh giá tốc độ end-to-end. Để tránh độ trễ suy luận do NMS gây ra, chúng tôi đề xuất Real-Time DEtection TRansformer (RT-DETR), theo hiểu biết của chúng tôi, là bộ phát hiện đối tượng end-to-end thời gian thực đầu tiên. Cụ thể, chúng tôi thiết kế một encoder lai hiệu quả để xử lý các đặc trưng đa tỷ lệ một cách hiệu quả bằng cách tách biệt tương tác nội tỷ lệ và kết hợp liên tỷ lệ, đồng thời đề xuất lựa chọn query nhận thức IoU để cải thiện việc khởi tạo các object query. Ngoài ra, bộ phát hiện do chúng tôi đề xuất hỗ trợ điều chỉnh linh hoạt tốc độ suy luận bằng cách sử dụng các lớp decoder khác nhau mà không cần huấn luyện lại, điều này tạo điều kiện thuận lợi cho việc ứng dụng thực tế của các bộ phát hiện đối tượng thời gian thực. RT-DETR-L của chúng tôi đạt 53,0% AP trên COCO val2017 và 114 FPS trên GPU T4, trong khi RT-DETR-X đạt 54,8% AP và 74 FPS, vượt trội hơn tất cả các bộ phát hiện YOLO cùng quy mô về cả tốc độ và độ chính xác. Hơn nữa, RT-DETR-R50 của chúng tôi đạt 53,1% AP và 108 FPS, vượt trội hơn DINO-Deformable-DETR-R50 về độ chính xác 2,2% AP và về FPS khoảng 21 lần.

RT-DETR performance relative to YOLO models. Taken from the original paper.

Phiên bản mô hình được đóng góp bởi rafaelpadilla và sangbumchoi. Mã gốc có thể được tìm thấy tại đây.

Mẹo sử dụng

Ban đầu, một hình ảnh được xử lý bằng một mạng nơ-ron tích chập được huấn luyện trước, cụ thể là biến thể Resnet-D như được tham chiếu trong mã nguồn gốc. Mạng này trích xuất các đặc trưng từ ba lớp cuối cùng của kiến trúc. Tiếp theo, một bộ mã hóa lai được sử dụng để chuyển đổi các đặc trưng đa tỷ lệ thành một mảng tuần tự các đặc trưng hình ảnh. Sau đó, một bộ giải mã, được trang bị các đầu dự đoán phụ, được dùng để tinh chỉnh các truy vấn đối tượng. Quy trình này cho phép tạo trực tiếp các hộp bao, loại bỏ nhu cầu xử lý hậu kỳ bổ sung để thu được các logits và tọa độ cho các hộp bao. Mô hình được thiết kế để sử dụng trên các hình ảnh đã được điều chỉnh kích thước thành 640x640 với ImageProcessor tương ứng. Việc định dạng lại thành các kích thước khác thường sẽ làm giảm hiệu suất.

import requests
import torch
from PIL import Image

from transformers import RTDetrForObjectDetection, RTDetrImageProcessor


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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r50vd", device_map="auto")

inputs = image_processor(images=image, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model(**inputs)

results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.3)

for result in results:
    for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
        score, label = score.item(), label_id.item()
        box = [round(i, 2) for i in box.tolist()]
        print(f"{model.config.id2label[label]}: {score:.2f} {box}")
sofa: 0.97 [0.14, 0.38, 640.13, 476.21]
cat: 0.96 [343.38, 24.28, 640.14, 371.5]
cat: 0.96 [13.23, 54.18, 318.98, 472.22]
remote: 0.95 [40.11, 73.44, 175.96, 118.48]
remote: 0.92 [333.73, 76.58, 369.97, 186.99]

Tài nguyên

Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với RT-DETR.

Object Detection

Xem thêm: Hướng dẫn tác vụ phát hiện đối tượng.
Các Notebook liên quan đến suy luận và tinh chỉnh RT-DETR trên bộ dữ liệu tùy chỉnh có thể được tìm thấy tại đây. 🌎

RTDetrConfig

lớp transformers.RTDetrConfig

< source >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0id2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneis_encoder_decoder: bool = Trueinitializer_range: float = 0.01initializer_bias_prior_prob: float | None = Nonelayer_norm_eps: float = 1e-05batch_norm_eps: float = 1e-05backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonefreeze_backbone_batch_norms: bool = Trueencoder_hidden_dim: int = 256encoder_in_channels: list[int] | tuple[int, ...] = (512, 1024, 2048)feat_strides: list[int] | tuple[int, ...] = (8, 16, 32)encoder_layers: int = 1encoder_ffn_dim: int = 1024encoder_attention_heads: int = 8dropout: float | int = 0.0activation_dropout: float | int = 0.0encode_proj_layers: list[int] | tuple[int, ...] = (2,)positional_encoding_temperature: int = 10000encoder_activation_function: str = 'gelu'activation_function: str = 'silu'eval_size: int | None = Nonenormalize_before: bool = Falsehidden_expansion: float = 1.0d_model: int = 256num_queries: int = 300decoder_in_channels: list[int] | tuple[int, ...] = (256, 256, 256)decoder_ffn_dim: int = 1024num_feature_levels: int = 3decoder_n_points: int = 4decoder_layers: int = 6decoder_attention_heads: int = 8decoder_activation_function: str = 'relu'attention_dropout: float | int = 0.0num_denoising: int = 100label_noise_ratio: float = 0.5box_noise_scale: float = 1.0learn_initial_query: bool = Falseanchor_image_size: int | list[int] | None = Nonedisable_custom_kernels: bool = Truewith_box_refine: bool = Truematcher_alpha: float = 0.25matcher_gamma: float = 2.0matcher_class_cost: float = 2.0matcher_bbox_cost: float = 5.0matcher_giou_cost: float = 2.0use_focal_loss: bool = Trueauxiliary_loss: bool = Truefocal_loss_alpha: float = 0.75focal_loss_gamma: float = 2.0weight_loss_vfl: float = 1.0weight_loss_bbox: float = 5.0weight_loss_giou: float = 2.0eos_coefficient: float = 0.0001 )

Tham số

is_encoder_decoder (bool, tùy chọn, mặc định là True) — Xác định xem mô hình có được sử dụng như một encoder/decoder hay không.
initializer_range (float, tùy chọn, mặc định là 0.01) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
initializer_bias_prior_prob (float, tùy chọn) — Xác suất tiên nghiệm được bộ khởi tạo bias sử dụng để khởi tạo bias cho enc_score_head và class_embed. Nếu None, prior_prob được tính là prior_prob = 1 / (num_labels + 1) trong khi khởi tạo trọng số mô hình.
layer_norm_eps (float, tùy chọn, mặc định là 1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).
batch_norm_eps (float, tùy chọn, mặc định là 1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa theo lô (batch normalization).
backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone.
freeze_backbone_batch_norms (bool, tùy chọn, mặc định là True) — Có nên đóng băng các lớp chuẩn hóa lô (batch normalization) trong backbone hay không.
encoder_hidden_dim (int, tùy chọn, mặc định là 256) — Kích thước của các biểu diễn ẩn.
encoder_in_channels (list, tùy chọn, mặc định là [512, 1024, 2048]) — Đầu vào đặc trưng đa cấp cho encoder.
feat_strides (list[int], tùy chọn, mặc định là [8, 16, 32]) — Các stride được sử dụng trong mỗi feature map.
encoder_layers (int, tùy chọn, mặc định là 1) — Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
encoder_ffn_dim (int, tùy chọn, mặc định là 1024) — Kích thước của lớp “trung gian” (thường được gọi là feed-forward) trong encoder.
encoder_attention_heads (int, tùy chọn, mặc định là 8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer.
dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ cho tất cả các lớp dropout.
activation_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các kích hoạt bên trong lớp liên kết đầy đủ.
encode_proj_layers (list[int], tùy chọn, mặc định là [2]) — Chỉ số của các lớp đã được chiếu (projected) sẽ được sử dụng trong encoder.
positional_encoding_temperature (int, tùy chọn, mặc định là 10000) — Tham số nhiệt độ được sử dụng để tạo các mã hóa vị trí.
encoder_activation_function (str, tùy chọn, mặc định là "gelu") — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong encoder và pooler. Nếu là chuỗi, "gelu", "relu", "silu" và "gelu_new" được hỗ trợ.
activation_function (str, tùy chọn, mặc định là silu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, "gelu", "relu", "silu", v.v.
eval_size (tuple[int, int], tuỳ chọn) — Chiều cao và chiều rộng được sử dụng để tính chiều cao và chiều rộng hiệu dụng của các nhúng vị trí sau khi đã tính đến bước nhảy (stride).
normalize_before (bool, tùy chọn, mặc định là False) — Xác định việc có áp dụng layer normalization trong lớp encoder của transformer trước các module self-attention và feed-forward hay không.
hidden_expansion (float, tùy chọn, mặc định là 1.0) — Tỷ lệ mở rộng để tăng kích thước chiều của RepVGGBlock và CSPRepLayer.
d_model (int, tùy chọn, mặc định là 256) — Kích thước của các lớp encoder và lớp pooler.
num_queries (int, tùy chọn, mặc định là 300) — Số lượng truy vấn đối tượng.
decoder_in_channels (list, tùy chọn, mặc định là [256, 256, 256]) — Kích thước đặc trưng đa cấp cho decoder
decoder_ffn_dim (int, tùy chọn, mặc định là 1024) — Kích thước của lớp “trung gian” (thường được gọi là feed-forward) trong decoder.
num_feature_levels (int, tùy chọn, mặc định là 3) — Số lượng cấp độ đặc trưng đầu vào.
decoder_n_points (int, tùy chọn, mặc định là 4) — Số lượng khóa được lấy mẫu ở mỗi mức đặc trưng cho mỗi đầu chú ý trong bộ giải mã.
decoder_layers (int, tùy chọn, mặc định là 6) — Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
decoder_attention_heads (int, tùy chọn, mặc định là 8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.
decoder_activation_function (str, tùy chọn, mặc định là "relu") — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Nếu là chuỗi, "gelu", "relu", "silu" và "gelu_new" được hỗ trợ.
attention_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các xác suất chú ý.
num_denoising (int, tùy chọn, mặc định là 100) — Tổng số tác vụ hoặc truy vấn khử nhiễu sẽ được sử dụng cho khử nhiễu tương phản.
label_noise_ratio (float, tùy chọn, mặc định là 0.5) — Tỷ lệ nhãn khử nhiễu cần thêm nhiễu ngẫu nhiên.
box_noise_scale (float, tùy chọn, mặc định là 1.0) — Thang đo hoặc độ lớn của nhiễu sẽ được thêm vào các hộp bao.
learn_initial_query (bool, tùy chọn, mặc định là False) — Chỉ ra việc các embedding truy vấn ban đầu cho bộ giải mã có nên được học trong quá trình huấn luyện hay không
anchor_image_size (tuple[int, int], tuỳ chọn) — Chiều cao và chiều rộng của ảnh đầu vào được sử dụng trong quá trình đánh giá để tạo các bounding box anchors. Nếu là None, việc tạo anchor tự động sẽ được áp dụng.
disable_custom_kernels (bool, tùy chọn, mặc định là True) — Có vô hiệu hóa các kernel tùy chỉnh hay không.
with_box_refine (bool, tùy chọn, mặc định là True) — Có áp dụng tinh chỉnh hộp bao quanh lặp lại hay không, trong đó mỗi lớp giải mã sẽ tinh chỉnh các hộp bao quanh dựa trên dự đoán từ lớp trước đó.
matcher_alpha (float, tuỳ chọn, mặc định là 0.25) — Tham số alpha được sử dụng bởi Hungarian Matcher.
matcher_gamma (float, tùy chọn, mặc định là 2.0) — Tham số gamma được sử dụng bởi Hungarian Matcher.
matcher_class_cost (float, tùy chọn, mặc định là 2.0) — Trọng số tương đối của tổn thất lớp được sử dụng bởi Hungarian Matcher.
matcher_bbox_cost (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của tổn thất hộp bao (bounding box) được sử dụng bởi Hungarian Matcher.
matcher_giou_cost (float, tuỳ chọn, mặc định là 2.0) — Trọng số tương đối của tổn thất giou được sử dụng bởi Hungarian Matcher.
use_focal_loss (bool, tùy chọn, mặc định là True) — Tham số cho biết có nên sử dụng focal loss hay không.
auxiliary_loss (bool, tùy chọn, mặc định là True) — Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không.
focal_loss_alpha (float, tùy chọn, mặc định là 0.75) — Tham số alpha được sử dụng để tính toán focal loss.
focal_loss_gamma (float, tùy chọn, mặc định là 2.0) — Tham số gamma được sử dụng để tính toán focal loss.
weight_loss_vfl (float, tùy chọn, mặc định là 1.0) — Trọng số tương đối của varifocal loss trong loss phát hiện đối tượng.
weight_loss_bbox (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phát hiện đối tượng.
weight_loss_giou (float, tùy chọn, mặc định là 2.0) — Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phát hiện đối tượng.
eos_coefficient (float, tùy chọn, mặc định là 0.0001) — Trọng số phân loại tương đối của lớp ‘không có đối tượng’ trong hàm mất mát phát hiện đối tượng.

Đây là lớp cấu hình để lưu trữ cấu hình của một RTDetrModel. Nó được sử dụng để khởi tạo một mô hình Rt Detr theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của PekingU/rtdetr_r50vd

Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.

Ví dụ:

>>> from transformers import RTDetrConfig, RTDetrModel

>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrConfig()

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

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

RTDetrResNetConfig

lớp transformers.RTDetrResNetConfig

< source >

Tham số

num_channels (int, tùy chọn, mặc định là 3) — Số lượng kênh đầu vào.
embedding_size (int, tùy chọn, mặc định là 64) — Kích thước của các embedding và hidden states.
hidden_sizes (Union[list[int], tuple[int, ...]], tùy chọn, mặc định là (256, 512, 1024, 2048)) — Kích thước ẩn (hidden size) ở mỗi giai đoạn của mô hình.
depths (list[int], tùy chọn, mặc định là [3, 4, 6, 3]) — Độ sâu (số lượng lớp) của mỗi giai đoạn.
layer_type (str, tùy chọn, mặc định là "bottleneck") — Lớp cần sử dụng, có thể là "basic" (dùng cho các mô hình nhỏ hơn, như resnet-18 hoặc resnet-34) hoặc "bottleneck" (dùng cho các mô hình lớn hơn như resnet-50 trở lên).
hidden_act (str, tùy chọn, mặc định là "relu") — Hàm kích hoạt phi tuyến trong mỗi khối. Nếu là chuỗi, "gelu", "relu", "selu" và "gelu_new" được hỗ trợ.
downsample_in_first_stage (bool, tùy chọn, mặc định là False) — Nếu True, giai đoạn đầu tiên sẽ giảm mẫu các đầu vào bằng cách sử dụng stride là 2.
downsample_in_bottleneck (bool, tùy chọn, mặc định là False) — Nếu True, lớp conv 1x1 đầu tiên trong ResNetBottleNeckLayer sẽ giảm kích thước đầu vào bằng cách sử dụng stride là 2.

Đây là lớp cấu hình để lưu trữ cấu hình của một Rt Detr ResnetModel. Nó được sử dụng để khởi tạo một mô hình Rt Detr Resnet theo các đối số được chỉ định, xác định kiến trúc của mô hình. Việc khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của microsoft/resnet-50

Ví dụ:

>>> from transformers import RTDetrResNetConfig, RTDetrResnetBackbone

>>> # Initializing a ResNet resnet-50 style configuration
>>> configuration = RTDetrResNetConfig()

>>> # Initializing a model (with random weights) from the resnet-50 style configuration
>>> model = RTDetrResnetBackbone(configuration)

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

RTDetrImageProcessor

lớp transformers.RTDetrImageProcessor

< source >

( **kwargs: *<class 'transformers.models.rt_detr.image_processing_rt_detr.RTDetrImageProcessorKwargs'> )

Tham số

do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là {'height' -- 640, 'width': 640}): Mô tả kích thước đầu vào tối đa cho mô hình.
default_to_square (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là 2) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional, mặc định là 0.00392156862745098) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên chuẩn hóa hình ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.229, 0.224, 0.225]) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
format (str, kwargs, optional, mặc định là AnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”.
do_convert_annotations (bool, kwargs, optional, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình RT_DETR mong đợi hay không. Chuyển đổi các hộp bao quanh sang định dạng (center_x, center_y, width, height) và trong khoảng [0, 1]. Có thể ghi đè bằng tham số do_convert_annotations trong phương thức preprocess.

Tạo một bộ xử lý ảnh RTDetrImageProcessor.

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]annotations: dict[str, int | str | list[dict]] | list[dict[str, int | str | list[dict]]] | None = Nonereturn_segmentation_masks: bool | None = Nonemasks_path: str | pathlib.Path | None = None**kwargs: *<class 'transformers.models.rt_detr.image_processing_rt_detr.RTDetrImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Tham số

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt do_rescale=False.
annotations (AnnotationType hoặc list[AnnotationType], tùy chọn) — Các chú thích cần biến đổi theo cách đệm (padding) được áp dụng cho các hình ảnh.
return_segmentation_masks (bool, tùy chọn, mặc định là self.return_segmentation_masks) — Có nên trả về các mặt nạ phân đoạn hay không.
masks_path (str hoặc pathlib.Path, tùy chọn) — Đường dẫn đến thư mục chứa các mặt nạ phân đoạn.
do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình.
default_to_square (bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
format (str, kwargs, optional, mặc định là AnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”.
do_convert_annotations (bool, kwargs, optional, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình RT_DETR mong đợi hay không. Chuyển đổi các hộp bao quanh sang định dạng (center_x, center_y, width, height) và trong khoảng [0, 1]. Có thể ghi đè bằng tham số do_convert_annotations trong phương thức preprocess.

Trả về

~image_processing_base.BatchFeature

data (dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.).
tensor_type (Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

post_process_object_detection

< source >

( outputsthreshold: float = 0.5target_sizes: transformers.utils.generic.TensorType | list[tuple] = Noneuse_focal_loss: bool = True ) → list[Dict]

Tham số

outputs (DetrObjectDetectionOutput) — Đầu ra thô của mô hình.
threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm để giữ lại các dự đoán phát hiện đối tượng.
target_sizes (torch.Tensor hoặc list[tuple[int, int]], tuỳ chọn) — Tensor có shape (batch_size, 2) hoặc danh sách các tuple (tuple[int, int]) chứa kích thước đích (height, width) của từng ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
use_focal_loss (bool mặc định là True) — Biến cho biết focal loss có được sử dụng để dự đoán các đầu ra hay không. Nếu True, một sigmoid sẽ được áp dụng để tính điểm cho mỗi phát hiện, ngược lại, hàm softmax sẽ được sử dụng.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển chứa điểm số, nhãn và hộp bao quanh cho một hình ảnh trong lô (batch) như được dự đoán bởi mô hình.

Chuyển đổi đầu ra thô của DetrForObjectDetection thành các hộp bao cuối cùng ở định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y). Chỉ hỗ trợ PyTorch.

RTDetrImageProcessorPil

lớp transformers.RTDetrImageProcessorPil

< source >

( **kwargs: *<class 'transformers.models.rt_detr.image_processing_pil_rt_detr.RTDetrImageProcessorKwargs'> )

Tham số

do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là {'height' -- 640, 'width': 640}): Mô tả kích thước đầu vào tối đa cho mô hình.
default_to_square (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là 2) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional, mặc định là 0.00392156862745098) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên chuẩn hóa hình ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.229, 0.224, 0.225]) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
format (str, kwargs, optional, mặc định là AnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”.
do_convert_annotations (bool, kwargs, optional, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình RT_DETR mong đợi hay không. Chuyển đổi các hộp bao quanh sang định dạng (center_x, center_y, width, height) và trong khoảng [0, 1]. Có thể ghi đè bằng tham số do_convert_annotations trong phương thức preprocess.

Tạo một bộ xử lý ảnh RTDetrImageProcessor.

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]annotations: dict[str, int | str | list[dict]] | list[dict[str, int | str | list[dict]]] | None = Nonereturn_segmentation_masks: bool | None = Nonemasks_path: str | pathlib.Path | None = None**kwargs: *<class 'transformers.models.rt_detr.image_processing_pil_rt_detr.RTDetrImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Tham số

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt do_rescale=False.
annotations (AnnotationType hoặc list[AnnotationType], tùy chọn) — Các chú thích cần biến đổi theo cách đệm (padding) được áp dụng cho các hình ảnh.
return_segmentation_masks (bool, tùy chọn, mặc định là self.return_segmentation_masks) — Có nên trả về các mặt nạ phân đoạn hay không.
masks_path (str hoặc pathlib.Path, tùy chọn) — Đường dẫn đến thư mục chứa các mặt nạ phân đoạn.
do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình.
default_to_square (bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
format (str, kwargs, optional, mặc định là AnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”.
do_convert_annotations (bool, kwargs, optional, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình RT_DETR mong đợi hay không. Chuyển đổi các hộp bao quanh sang định dạng (center_x, center_y, width, height) và trong khoảng [0, 1]. Có thể ghi đè bằng tham số do_convert_annotations trong phương thức preprocess.

Trả về

~image_processing_base.BatchFeature

data (dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.).
tensor_type (Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

post_process_object_detection

< source >

( outputsthreshold: float = 0.5target_sizes: transformers.utils.generic.TensorType | list[tuple] = Noneuse_focal_loss: bool = True ) → list[Dict]

Tham số

outputs (DetrObjectDetectionOutput) — Đầu ra thô của mô hình.
threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm để giữ lại các dự đoán phát hiện đối tượng.
target_sizes (torch.Tensor hoặc list[tuple[int, int]], tuỳ chọn) — Tensor có shape (batch_size, 2) hoặc danh sách các tuple (tuple[int, int]) chứa kích thước đích (height, width) của từng ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
use_focal_loss (bool mặc định là True) — Biến cho biết focal loss có được sử dụng để dự đoán các đầu ra hay không. Nếu True, một sigmoid sẽ được áp dụng để tính điểm cho mỗi phát hiện, ngược lại, hàm softmax sẽ được sử dụng.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển chứa điểm số, nhãn và hộp bao quanh cho một hình ảnh trong lô (batch) như được dự đoán bởi mô hình.

Chuyển đổi đầu ra thô của DetrForObjectDetection thành các hộp bao cuối cùng ở định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y). Chỉ hỗ trợ PyTorch.

RTDetrModel

lớp transformers.RTDetrModel

< source >

( config: RTDetrConfig )

Tham số

config (RTDetrConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.

Mô hình RT-DETR (gồm một backbone và encoder-decoder) xuất ra các hidden state thô mà không có head nào ở phía trên.

Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)

Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

forward

< source >

( pixel_values: FloatTensorpixel_mask: typing.Optional[torch.LongTensor] = Noneencoder_outputs: typing.Optional[torch.FloatTensor] = Noneinputs_embeds: typing.Optional[torch.FloatTensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → RTDetrModelOutput or tuple(torch.FloatTensor)

Tham số

pixel_values (torch.FloatTensor có shape (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng image_processor_class. Xem image_processor_class.__call__ để biết chi tiết (processor_class sử dụng image_processor_class để xử lý ảnh).
pixel_mask (torch.LongTensor có hình dạng (batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong [0, 1]:
- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
Mặt nạ chú ý là gì?
encoder_outputs (torch.FloatTensor, tùy chọn) — Tuple gồm (last_hidden_state, tùy chọn: hidden_states, tùy chọn: attentions) last_hidden_state có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder.
inputs_embeds (torch.FloatTensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyền bản đồ đặc tính đã được làm phẳng (đầu ra của lớp backbone + lớp projection), bạn có thể chọn cách truyền trực tiếp một biểu diễn đã được làm phẳng của một hình ảnh.
labels (list[Dict] có độ dài (batch_size,), tùy chọn) — Nhãn để tính toán tổn thất khớp hai phần (bipartite matching loss). Danh sách các từ điển, mỗi từ điển chứa ít nhất 2 khóa sau: ‘class_labels’ và ‘boxes’ (lần lượt là nhãn lớp và hộp bao quanh của một hình ảnh trong lô). Bản thân các nhãn lớp phải là một torch.LongTensor có độ dài (number of bounding boxes in the image,) và các hộp bao quanh phải là một torch.FloatTensor có hình dạng (number of bounding boxes in the image, 4).

Trả về

RTDetrModelOutput hoặc tuple(torch.FloatTensor)

Một RTDetrModelOutput hoặc một tuple của torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (None) và đầu vào.

Phương thức forward của RTDetrModel ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

last_hidden_state (torch.FloatTensor có hình dạng (batch_size, num_queries, hidden_size)) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
intermediate_hidden_states (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, hidden_size)) — Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
intermediate_logits (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, sequence_length, config.num_labels)) — Các logits trung gian được xếp chồng (logits của từng lớp trong bộ giải mã).
intermediate_reference_points (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, 4)) — Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).
intermediate_predicted_corners (torch.FloatTensor có shape (batch_size, config.decoder_layers, num_queries, 4)) — Các góc dự đoán trung gian được xếp chồng (góc dự đoán của từng lớp trong decoder).
initial_reference_points (torch.FloatTensor có hình dạng (batch_size, num_queries, 4)) — Các điểm tham chiếu ban đầu được sử dụng cho lớp decoder đầu tiên.
decoder_hidden_states (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.FloatTensor (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
decoder_attentions (tuple[torch.FloatTensor], tùy chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
cross_attentions (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
encoder_last_hidden_state (torch.FloatTensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của encoder trong mô hình.
encoder_hidden_states (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple các torch.FloatTensor (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
encoder_attentions (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Bộ tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
init_reference_points (torch.FloatTensor có hình dạng (batch_size, num_queries, 4)) — Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.
enc_topk_logits (torch.FloatTensor có shape (batch_size, sequence_length, config.num_labels)) — Điểm số của các bounding box dự đoán, trong đó config.two_stage_num_proposals bounding box có điểm cao nhất được chọn làm region proposals ở giai đoạn encoder. Đầu ra của phân loại nhị phân bounding box (tức là foreground và background).
enc_topk_bboxes (torch.FloatTensor có hình dạng (batch_size, sequence_length, 4)) — Logits của tọa độ hộp bao dự đoán ở giai đoạn encoder.
enc_outputs_class (torch.FloatTensor có shape (batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Điểm số của các bounding box dự đoán, trong đó config.two_stage_num_proposals bounding box có điểm cao nhất được chọn làm region proposals ở giai đoạn đầu. Đầu ra của phân loại nhị phân bounding box (tức là foreground và background).
enc_outputs_coord_logits (torch.FloatTensor có shape (batch_size, sequence_length, 4), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.
denoising_meta_values (dict, tùy chọn) — Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu.

Ví dụ:

>>> from transformers import AutoImageProcessor, RTDetrModel
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> image_processor = AutoImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
>>> model = RTDetrModel.from_pretrained("PekingU/rtdetr_r50vd")

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

>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]

RTDetrForObjectDetection

lớp transformers.RTDetrForObjectDetection

< source >

( config: RTDetrConfig )

Tham số

config (RTDetrConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.

Mô hình RT-DETR (gồm một backbone và encoder-decoder) tạo ra các bounding box và logits để tiếp tục được giải mã thành điểm số và lớp.

forward

< source >

Tham số

pixel_values (torch.FloatTensor có shape (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng image_processor_class. Xem image_processor_class.__call__ để biết chi tiết (processor_class sử dụng image_processor_class để xử lý ảnh).
pixel_mask (torch.LongTensor có hình dạng (batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong [0, 1]:
- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
Mặt nạ chú ý là gì?
encoder_outputs (torch.FloatTensor, tùy chọn) — Tuple gồm (last_hidden_state, tùy chọn: hidden_states, tùy chọn: attentions) last_hidden_state có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder.
inputs_embeds (torch.FloatTensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyền bản đồ đặc tính đã được làm phẳng (đầu ra của lớp backbone + lớp projection), bạn có thể chọn cách truyền trực tiếp một biểu diễn đã được làm phẳng của một hình ảnh.
labels (list[Dict] có độ dài (batch_size,), tùy chọn) — Nhãn để tính toán tổn thất khớp hai phần (bipartite matching loss). Danh sách các từ điển, mỗi từ điển chứa ít nhất 2 khóa sau: ‘class_labels’ và ‘boxes’ (lần lượt là nhãn lớp và hộp bao quanh của một hình ảnh trong lô). Bản thân các nhãn lớp phải là một torch.LongTensor có độ dài (number of bounding boxes in the image,) và các hộp bao quanh phải là một torch.FloatTensor có hình dạng (number of bounding boxes in the image, 4).

Trả về

RTDetrObjectDetectionOutput hoặc tuple(torch.FloatTensor)

Một RTDetrObjectDetectionOutput hoặc một tuple của torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (None) và đầu vào.

Phương thức forward của RTDetrForObjectDetection ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

loss (torch.FloatTensor có shape (1,), optional, được trả về khi labels được cung cấp)) — Tổng loss dưới dạng tổ hợp tuyến tính của negative log-likelihood (cross-entropy) cho dự đoán lớp và loss của bounding box. Phần sau được định nghĩa là tổ hợp tuyến tính của L1 loss và generalized scale-invariant IoU loss.
loss_dict (Dict, tùy chọn) — Một từ điển chứa các giá trị loss riêng lẻ. Hữu ích cho việc ghi log.
logits (torch.FloatTensor có shape (batch_size, num_queries, num_classes + 1)) — Logits phân loại (bao gồm no-object) cho tất cả các query.
pred_boxes (torch.FloatTensor có shape (batch_size, num_queries, 4)) — Tọa độ hộp đã được chuẩn hóa cho tất cả các query, được biểu diễn dưới dạng (center_x, center_y, width, height). Các giá trị này được chuẩn hóa trong khoảng [0, 1], tương đối so với kích thước của từng hình ảnh riêng lẻ trong batch (bỏ qua phần padding có thể có). Bạn có thể sử dụng post_process_object_detection() để lấy các hộp giới hạn không được chuẩn hóa (tuyệt đối).
auxiliary_outputs (list[Dict], tuỳ chọn) — Tuỳ chọn, chỉ được trả về khi các tổn thất phụ được kích hoạt (tức là config.auxiliary_loss được đặt thành True) và nhãn được cung cấp. Đây là một danh sách các từ điển chứa hai khóa nêu trên (logits và pred_boxes) cho mỗi lớp giải mã.
last_hidden_state (torch.FloatTensor có hình dạng (batch_size, num_queries, hidden_size)) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
intermediate_hidden_states (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, hidden_size)) — Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
intermediate_logits (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, config.num_labels)) — Các logits trung gian được xếp chồng (logits của từng lớp trong bộ giải mã).
intermediate_reference_points (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, 4)) — Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).
intermediate_predicted_corners (torch.FloatTensor có shape (batch_size, config.decoder_layers, num_queries, 4)) — Các góc dự đoán trung gian được xếp chồng (góc dự đoán của từng lớp trong decoder).
initial_reference_points (torch.FloatTensor có hình dạng (batch_size, config.decoder_layers, num_queries, 4)) — Các điểm tham chiếu ban đầu được xếp chồng (điểm tham chiếu ban đầu của từng lớp trong decoder).
decoder_hidden_states (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.FloatTensor (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
decoder_attentions (tuple[torch.FloatTensor], tùy chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
cross_attentions (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
encoder_last_hidden_state (torch.FloatTensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của encoder trong mô hình.
encoder_hidden_states (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple các torch.FloatTensor (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
encoder_attentions (tuple[torch.FloatTensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Bộ tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length).

Trọng số chú ý của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
init_reference_points (torch.FloatTensor có hình dạng (batch_size, num_queries, 4)) — Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.
enc_topk_logits (torch.FloatTensor có shape (batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Logits của tọa độ bounding box dự đoán trong encoder.
enc_topk_bboxes (torch.FloatTensor có shape (batch_size, sequence_length, 4), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Logits của tọa độ bounding box dự đoán trong encoder.
enc_outputs_class (torch.FloatTensor có shape (batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Điểm số của các bounding box dự đoán, trong đó config.two_stage_num_proposals bounding box có điểm cao nhất được chọn làm region proposals ở giai đoạn đầu. Đầu ra của phân loại nhị phân bounding box (tức là foreground và background).
enc_outputs_coord_logits (torch.FloatTensor có shape (batch_size, sequence_length, 4), tùy chọn, được trả về khi config.with_box_refine=True và config.two_stage=True) — Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.
denoising_meta_values (dict, tùy chọn) — Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu

Ví dụ:

>>> from transformers import RTDetrImageProcessor, RTDetrForObjectDetection
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_r50vd")
>>> model = RTDetrForObjectDetection.from_pretrained("PekingU/rtdetr_r50vd")

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

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

>>> logits = outputs.logits
>>> list(logits.shape)
[1, 300, 80]

>>> boxes = outputs.pred_boxes
>>> list(boxes.shape)
[1, 300, 4]

>>> # 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 sofa with confidence 0.97 at location [0.14, 0.38, 640.13, 476.21]
Detected cat with confidence 0.96 at location [343.38, 24.28, 640.14, 371.5]
Detected cat with confidence 0.958 at location [13.23, 54.18, 318.98, 472.22]
Detected remote with confidence 0.951 at location [40.11, 73.44, 175.96, 118.48]
Detected remote with confidence 0.924 at location [333.73, 76.58, 369.97, 186.99]

RTDetrResNetBackbone

lớp transformers.RTDetrResNetBackbone

< source >

( config: RTDetrResNetConfig )

Tham số

config (RTDetrResNetConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.

Backbone ResNet, được sử dụng với các framework như RTDETR.

forward

< source >

( pixel_values: Tensoroutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → BackboneOutput or tuple(torch.FloatTensor)

Tham số

pixel_values (torch.Tensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng image_processor_class. Xem image_processor_class.__call__ để biết chi tiết (processor_class sử dụng image_processor_class để xử lý hình ảnh).
output_hidden_states (bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xem hidden_states trong phần tensor trả về để biết thêm chi tiết.
return_dict (bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.

Trả về

BackboneOutput hoặc tuple(torch.FloatTensor)

Một BackboneOutput hoặc một tuple của torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (RTDetrResNetConfig) và đầu vào.

Phương thức forward của RTDetrResNetBackbone ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

feature_maps (tuple(torch.FloatTensor) có hình dạng (batch_size, num_channels, height, width)) — Bản đồ đặc trưng của các giai đoạn.
hidden_states (tuple(torch.FloatTensor), tùy chọn, được trả về khi truyền output_hidden_states=True hoặc khi config.output_hidden_states=True) — Bộ tuple các torch.FloatTensor (một cho đầu ra của embeddings + một cho đầu ra của mỗi lớp) có shape (batch_size, sequence_length, hidden_size) hoặc (batch_size, num_channels, height, width), tùy thuộc vào backbone.

Trạng thái ẩn của mô hình tại đầu ra của mỗi giai đoạn cùng với đầu ra của embedding ban đầu.
attentions (tuple(torch.FloatTensor), tuỳ chọn, được trả về khi truyền output_attentions=True hoặc khi config.output_attentions=True) — Tuple của torch.FloatTensor (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length). Chỉ áp dụng nếu backbone sử dụng attention.

Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

>>> from transformers import RTDetrResNetConfig, RTDetrResNetBackbone
>>> import torch
precation import deprecate_kwarg
precation import deprecate_kwarg
precation import deprecate_kwarg
utils.deprecation import deprecate_kwarg
utils.deprecation import deprecate_kwarg

>>> config = RTDetrResNetConfig()
>>> model = RTDetrResNetBackbone(config)

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

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

>>> feature_maps = outputs.feature_maps
>>> list(feature_maps[-1].shape)
[1, 2048, 7, 7]

Update on GitHub

←RF-DETR RT-DETRv2→