Hugging Face's logo

Transformers documentation

RT-DETRv2

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).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Mô hình này được công bố trên HF papers vào ngày 2024-07-24 và được đóng góp cho Hugging Face Transformers vào ngày 2025-02-06.

RT-DETRv2

Tổng quan

Mô hình RT-DETRv2 được đề xuất trong RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer bởi Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu.

RT-DETRv2 cải tiến RT-DETR bằng cách giới thiệu trích xuất đặc trưng đa tỷ lệ có chọn lọc, một toán tử lấy mẫu rời rạc để tăng khả năng tương thích triển khai rộng rãi, và các chiến lược huấn luyện được cải thiện như tăng cường dữ liệu động và siêu tham số thích ứng theo tỷ lệ. Những thay đổi này nâng cao tính linh hoạt và tính thực tiễn trong khi vẫn duy trì hiệu suất thời gian thực.

Tóm tắt từ bài báo như sau:

Trong báo cáo này, chúng tôi giới thiệu RT-DETRv2, phiên bản cải tiến của Real-Time DEtection TRansformer (RT-DETR). RT-DETRv2 được xây dựng dựa trên bộ phát hiện thời gian thực tiên tiến trước đó, RT-DETR, và mở ra một loạt các cải tiến không tốn thêm chi phí suy luận nhằm tăng tính linh hoạt và tính thực dụng, đồng thời tối ưu hóa chiến lược huấn luyện để đạt hiệu suất cao hơn. Để cải thiện tính linh hoạt, chúng tôi đề xuất thiết lập số lượng điểm lấy mẫu riêng biệt cho các đặc trưng ở các tỷ lệ khác nhau trong cơ chế chú ý biến dạng (deformable attention), qua đó cho phép bộ giải mã (decoder) thực hiện trích xuất đặc trưng đa tỷ lệ có chọn lọc. Để tăng tính thực dụng, chúng tôi đề xuất một toán tử lấy mẫu rời rạc tùy chọn nhằm thay thế toán tử grid_sample, vốn là thành phần đặc thù của RT-DETR so với các mô hình YOLO. Điều này loại bỏ các ràng buộc triển khai thường gặp ở các mô hình DETR. Về chiến lược huấn luyện, chúng tôi đề xuất tăng cường dữ liệu động (dynamic data augmentation) và tùy chỉnh siêu tham số thích ứng theo tỷ lệ (scale-adaptive hyperparameters customization) để cải thiện hiệu suất mà không làm giảm tốc độ.

Mô hình này được đóng góp bởi jadechoghari. Mã nguồn gốc có thể được tìm thấy tại đây.

Mẹo sử dụng

Phiên bản thứ hai của RT-DETR cải thiện cách bộ giải mã tìm các đối tượng trong một hình ảnh.

  • mẫu tốt hơn – điều chỉnh các độ lệch để mô hình nhìn vào đúng các vùng
  • flexible attention – có thể sử dụng lấy mẫu mượt (hai tuyến tính) hoặc cố định (rời rạc)
  • xử lý tối ưu – cải thiện cách trọng số chú ý trộn lẫn thông tin

Mô hình được thiết kế để sử dụng trên các hình ảnh đã được điều chỉnh kích thước thành 640x640 bằng ImageProcessor tương ứng. Việc thay đổi hình dạng sang các kích thước khác thường sẽ làm giảm hiệu suất.

import requests
import torch
from PIL import Image

from transformers import RTDetrImageProcessor, RTDetrV2ForObjectDetection


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

image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_v2_r18vd")
model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/rtdetr_v2_r18vd", 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=0.5)

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}")
cat: 0.97 [341.14, 25.11, 639.98, 372.89]
cat: 0.96 [12.78, 56.35, 317.67, 471.34]
remote: 0.95 [39.96, 73.12, 175.65, 117.44]
sofa: 0.86 [-0.11, 2.97, 639.89, 473.62]
sofa: 0.82 [-0.12, 1.78, 639.87, 473.52]
remote: 0.79 [333.65, 76.38, 370.69, 187.48]

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-DETRv2.

Object Detection

RTDetrV2Config

lớp transformers.RTDetrV2Config

< >

( 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 = Nonewith_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 = 0.0001decoder_n_levels: int = 3decoder_offset_scale: float = 0.5decoder_method: str = 'default'tie_word_embeddings: bool = True )

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 lớp chung. Nếu là chuỗi, "gelu", "relu", "silu" và "gelu_new" được hỗ trợ.
  • eval_size (tuple[int, int], tùy chọn) — Chiều cao và chiều rộng được sử dụng để tính chiều cao và chiều rộng hiệu dụng của các position embeddings sau khi đã tính đến 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.
  • 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.
  • decoder_n_levels (int, tùy chọn, mặc định là 3) — Số lượng cấp độ đặc trưng được sử dụng bởi bộ giải mã.
  • decoder_offset_scale (float, tùy chọn, mặc định là 0.5) — Hệ số tỷ lệ được áp dụng cho các độ dịch chuyển chú ý trong bộ giải mã.
  • decoder_method (str, tùy chọn, mặc định là "default") — Phương pháp sử dụng cho bộ giải mã: "default" hoặc "discrete".
  • tie_word_embeddings (bool, tùy chọn, mặc định là True) — Có nên gắn kết các trọng số nhúng theo ánh xạ tied_weights_keys của mô hình hay không.

Đây là lớp cấu hình để lưu trữ cấu hình của một RTDetrV2Model. Nó được sử dụng để khởi tạo một mô hình Rt Detr V2 theo các đối số được chỉ định, xác định kiến trúc 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_r18vd

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 RTDetrV2Config, RTDetrV2Model

>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrV2Config()

>>> # Initializing a model (with random weights) from the configuration
>>> model = RTDetrV2Model(configuration)

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

RTDetrV2Model

lớp transformers.RTDetrV2Model

< >

( config: RTDetrV2Config )

Tham số

  • config (RTDetrV2Config) — 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

< >

( 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'> ) → RTDetrV2ModelOutput 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

RTDetrV2ModelOutput hoặc tuple(torch.FloatTensor)

Một RTDetrV2ModelOutput 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 RTDetrV2Model 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, RTDetrV2Model
>>> 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/RTDetrV2_r50vd")
>>> model = RTDetrV2Model.from_pretrained("PekingU/RTDetrV2_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]

RTDetrV2ForObjectDetection

lớp transformers.RTDetrV2ForObjectDetection

< >

( config: RTDetrV2Config )

Tham số

  • config (RTDetrV2Config) — 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.

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

< >

( 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'> ) → RTDetrV2ObjectDetectionOutput 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

RTDetrV2ObjectDetectionOutput hoặc tuple(torch.FloatTensor)

Một RTDetrV2ObjectDetectionOutput 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 RTDetrV2ForObjectDetection 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 bao 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 đệm có thể có). Bạn có thể sử dụng ~RTDetrV2ImageProcessor.post_process_object_detection để lấy các hộp bao 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 RTDetrV2ImageProcessor, RTDetrV2ForObjectDetection
>>> 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 = RTDetrV2ImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/RTDetrV2_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]
Update on GitHub

←RT-DETR SAM2→