Hugging Face's logo

Transformers documentation

D-FINE

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 17-10-2024 và được đóng góp cho Hugging Face Transformers vào ngày 29-04-2025.

D-FINE

Tổng quan

Mô hình D-FINE được đề xuất trong D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement bởi Yansong Peng, Hebei Li, Peixi Wu, Yueyi Zhang, Xiaoyan Sun, Feng Wu

Tóm tắt từ bài báo như sau:

Chúng tôi giới thiệu D-FINE, một bộ phát hiện đối tượng thời gian thực mạnh mẽ, đạt được độ chính xác định vị xuất sắc bằng cách định nghĩa lại bài toán hồi quy hộp bao trong các mô hình DETR. D-FINE bao gồm hai thành phần chính: Tinh chỉnh Phân bố Mịn (Fine-grained Distribution Refinement - FDR) và Tự học từ xa Định vị Tối ưu Toàn cục (Global Optimal Localization Self-Distillation - GO-LSD). FDR chuyển đổi quá trình hồi quy từ việc dự đoán tọa độ cố định sang việc tinh chỉnh lặp lại các phân bố xác suất, cung cấp một biểu diễn trung gian mịn, nâng cao đáng kể độ chính xác định vị. GO-LSD là một chiến lược tối ưu hai chiều, truyền tải kiến thức định vị từ các phân bố đã tinh chỉnh đến các lớp nông hơn thông qua tự học từ xa, đồng thời đơn giản hóa các bài toán dự đoán phần dư cho các lớp sâu hơn. Ngoài ra, D-FINE tích hợp các tối ưu hóa nhẹ trong các module và thao tác có cường độ tính toán cao, đạt được sự cân bằng tốt hơn giữa tốc độ và độ chính xác. Cụ thể, D-FINE-L / X đạt 54,0% / 55,8% AP trên bộ dữ liệu COCO với 124 / 78 FPS trên GPU NVIDIA T4. Khi được huấn luyện trước trên Objects365, D-FINE-L / X đạt 57,1% / 59,3% AP, vượt qua tất cả các bộ phát hiện thời gian thực hiện có. Hơn nữa, phương pháp của chúng tôi nâng cao đáng kể hiệu suất của một loạt các mô hình DETR lên tới 5,3% AP với chi phí tham số và huấn luyện bổ sung không đáng kể. Mã nguồn và các mô hình huấn luyện trước của chúng tôi: this https URL.

Mô hình này được đóng góp bởi VladOS95-cyber. Mã nguồn gốc có thể được tìm thấy tại đây.

Mẹo sử dụng

import torch

from transformers import AutoImageProcessor, DFineForObjectDetection
from transformers.image_utils import load_image


url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = load_image(url)

image_processor = AutoImageProcessor.from_pretrained("ustc-community/dfine_x_coco")
model = DFineForObjectDetection.from_pretrained("ustc-community/dfine_x_coco", 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=[(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: 0.96 [344.49, 23.4, 639.84, 374.27]
cat: 0.96 [11.71, 53.52, 316.64, 472.33]
remote: 0.95 [40.46, 73.7, 175.62, 117.57]
sofa: 0.92 [0.59, 1.88, 640.25, 474.74]
remote: 0.89 [333.48, 77.04, 370.77, 187.3]

DFineConfig

lớp transformers.DFineConfig

< >

( 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 | list[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 = 2.0weight_loss_fgl: float = 0.15weight_loss_ddf: float = 1.5eos_coefficient: float = 0.0001eval_idx: int = -1layer_scale: int | float = 1.0max_num_bins: int = 32reg_scale: float = 4.0depth_mult: float = 1.0top_prob_values: int = 4lqe_hidden_dim: int = 64lqe_layers: int = 2decoder_offset_scale: float = 0.5decoder_method: str = 'default'up: float = 0.5tie_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 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.
  • 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.
  • weight_loss_fgl (float, tùy chọn, mặc định là 0.15) — Trọng số tương đối của tổn thất định vị chi tiết trong tổn thất phát hiện đối tượng.
  • weight_loss_ddf (float, tùy chọn, mặc định là 1.5) — Trọng số tương đối của hàm mất mát focal chưng cất tách rời trong hàm mất mát 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.
  • eval_idx (int, tuỳ chọn, mặc định là -1) — Chỉ số của lớp decoder được sử dụng để đánh giá. Nếu âm, đếm từ cuối (ví dụ, -1 có nghĩa là sử dụng lớp cuối cùng). Điều này cho phép dự đoán sớm trong cột decoder trong khi vẫn huấn luyện các lớp phía sau.
  • layer_scale (float, tùy chọn, mặc định là 1.0) — Hệ số tỷ lệ cho chiều ẩn trong các lớp decoder phía sau. Được dùng để điều chỉnh sức mạnh của mô hình sau lớp đánh giá.
  • max_num_bins (int, tùy chọn, mặc định là 32) — Số lượng bin tối đa cho việc tinh chỉnh hộp bao (bounding box) có sự dẫn dắt của phân phối. Các giá trị cao hơn cho phép định vị chi tiết hơn nhưng làm tăng lượng tính toán.
  • reg_scale (float, tùy chọn, mặc định là 4.0) — Hệ số tỷ lệ cho phân phối hồi quy. Kiểm soát phạm vi và độ mịn của quá trình tinh chỉnh hộp bao.
  • depth_mult (float, tùy chọn, mặc định là 1.0) — Hệ số nhân cho số lượng khối trong các lớp RepNCSPELAN4. Được dùng để điều chỉnh độ sâu của mô hình trong khi vẫn giữ nguyên kiến trúc của nó.
  • top_prob_values (int, tùy chọn, mặc định là 4) — Số lượng giá trị xác suất hàng đầu cần xem xét từ phân phối của mỗi góc.
  • lqe_hidden_dim (int, tuỳ chọn, mặc định là 64) — Kích thước chiều ẩn cho mạng Location Quality Estimator (LQE).
  • lqe_layers (int, tùy chọn, mặc định là 2) — Số lượng lớp trong MLP của Location Quality Estimator.
  • decoder_offset_scale (float, tùy chọn, mặc định là 0.5) — Hệ số dịch chuyển được sử dụng trong chú ý biến dạng (deformable attention).
  • decoder_method (str, tùy chọn, mặc định là "default") — Phương pháp sử dụng cho bộ giải mã: "default" hoặc "discrete".
  • up (float, tùy chọn, mặc định là 0.5) — Kiểm soát các giới hạn trên của Weighting Function.
  • 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 DFineModel. Nó được sử dụng để khởi tạo một mô hình D Fine 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 ustc-community/dfine-xlarge-coco

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.

DFineModel

lớp transformers.DFineModel

< >

( config: DFineConfig )

Tham số

  • config (DFineConfig) — 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 của 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: Tensorpixel_mask: typing.Optional[torch.LongTensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → DFineModelOutput or tuple(torch.Tensor)

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).
  • 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.Tensor, 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.Tensor 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.Tensor có hình dạng (number of bounding boxes in the image, 4).

Trả về

DFineModelOutput hoặc tuple(torch.Tensor)

Một DFineModelOutput hoặc một tuple của torch.Tensor (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 DFineModel 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.Tensor có hình dạng (batch_size, num_queries, hidden_size)) — Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ giải mã trong mô hình.

  • intermediate_hidden_states (torch.Tensor 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.Tensor 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.Tensor 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.Tensor 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.Tensor 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.Tensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.Tensor (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.Tensor], tùy chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (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.Tensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (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.Tensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.

  • encoder_hidden_states (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple các torch.Tensor (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 mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.

  • encoder_attentions (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Bộ tuple của torch.Tensor (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.Tensor 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.Tensor có hình dạng (batch_size, sequence_length, config.num_labels)) — Điểm số của các hộp bao dự đoán, trong đó config.two_stage_num_proposals hộp bao có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn encoder. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh).

  • enc_topk_bboxes (torch.Tensor có hình dạng (batch_size, sequence_length, 4)) — Logits của tọa độ hộp bao dự đoán ở giai đoạn encoder.

  • enc_outputs_class (torch.Tensor 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.Tensor có shape (batch_size, sequence_length, 4), optional, 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, DFineModel
>>> 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/DFine_r50vd")
>>> model = DFineModel.from_pretrained("PekingU/DFine_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]

DFineForObjectDetection

lớp transformers.DFineForObjectDetection

< >

( config: DFineConfig )

Tham số

  • config (DFineConfig) — 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 của 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: Tensorpixel_mask: typing.Optional[torch.LongTensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → DFineObjectDetectionOutput or tuple(torch.Tensor)

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).
  • 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.Tensor, 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.Tensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyền input_ids, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số input_ids thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.
  • 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.Tensor có hình dạng (number of bounding boxes in the image, 4).

Trả về

DFineObjectDetectionOutput hoặc tuple(torch.Tensor)

Một DFineObjectDetectionOutput hoặc một tuple của torch.Tensor (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 DFineForObjectDetection 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.Tensor có shape (1,), tùy chọn, 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.Tensor có shape (batch_size, num_queries, num_classes + 1)) — Logits phân loại (bao gồm no-object) cho tất cả các query.

  • pred_boxes (torch.Tensor 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 ~DFineImageProcessor.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.Tensor có hình dạng (batch_size, num_queries, hidden_size)) — Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ giải mã trong mô hình.

  • intermediate_hidden_states (torch.Tensor 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.Tensor 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.Tensor 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.Tensor 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.Tensor 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 bộ giải mã).

  • decoder_hidden_states (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.Tensor (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.Tensor], tùy chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (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.Tensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (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.Tensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.

  • encoder_hidden_states (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple các torch.Tensor (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 mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.

  • encoder_attentions (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Bộ tuple của torch.Tensor (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.Tensor 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.Tensor có hình dạng (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 hộp bao (bounding box) được dự đoán trong encoder.

  • enc_topk_bboxes (torch.Tensor có hình dạng (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 hộp bao (bounding box) dự đoán trong encoder.

  • enc_outputs_class (torch.Tensor 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.Tensor có shape (batch_size, sequence_length, 4), optional, 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:

>>> import torch
>>> from transformers.image_utils import load_image
>>> from transformers import AutoImageProcessor, DFineForObjectDetection

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = load_image(url)

>>> image_processor = AutoImageProcessor.from_pretrained("ustc-community/dfine-xlarge-coco")
>>> model = DFineForObjectDetection.from_pretrained("ustc-community/dfine-xlarge-coco")

>>> # 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)
>>> result = results[0]  # first image in batch

>>> for score, label, box in zip(result["scores"], result["labels"], result["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 cat with confidence 0.958 at location [344.49, 23.4, 639.84, 374.27]
Detected cat with confidence 0.956 at location [11.71, 53.52, 316.64, 472.33]
Detected remote with confidence 0.947 at location [40.46, 73.7, 175.62, 117.57]
Detected sofa with confidence 0.918 at location [0.59, 1.88, 640.25, 474.74]
Update on GitHub

←CvT DAB-DETR→