Hugging Face's logo

Transformers documentation

DETR

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 2020-05-26 và được đóng góp cho Hugging Face Transformers vào ngày 2021-06-09.

DETR

DETR bao gồm một backbone convolutional, tiếp theo là một Transformer encoder-decoder có thể được huấn luyện end-to-end cho việc phát hiện đối tượng. Nó đơn giản hóa đáng kể nhiều phần phức tạp của các mô hình như Faster-R-CNN và Mask-R-CNN, vốn sử dụng các thành phần như region proposals, quy trình non-maximum suppression và anchor generation. Hơn nữa, DETR cũng có thể được mở rộng một cách tự nhiên để thực hiện panoptic segmentation, chỉ bằng cách thêm một mask head trên đầu ra của decoder.

Bạn có thể tìm thấy tất cả các checkpoint DETR gốc dưới tổ chức AI at Meta.

Mô hình này được đóng góp bởi nielsr.

Nhấp vào các mô hình DETR ở thanh bên phải để xem thêm các ví dụ về cách áp dụng DETR cho các tác vụ phát hiện đối tượng và phân đoạn khác nhau.

Đặt use_kernels=True trong from_pretrained() để thay thế các lớp được hỗ trợ bằng các kernel tối ưu từ Hub. Xem Tải kernel để biết thêm.

Ví dụ dưới đây minh họa cách thực hiện phát hiện đối tượng bằng lớp Pipeline hoặc lớp AutoModel.

Pipeline
AutoModel

from transformers import pipeline


pipeline = pipeline(
    "object-detection",
    model="facebook/detr-resnet-50",
    device_map=0
)

pipeline("http://images.cocodataset.org/val2017/000000039769.jpg")
How DETR works

Dưới đây là bản tóm tắt ngắn gọn giải thích cách DetrForObjectDetection hoạt động:

Đầu tiên, một hình ảnh được đưa qua một bộ khung tích chập (convolutional backbone) đã được huấn luyện trước (trong bài báo, các tác giả sử dụng ResNet-50/ResNet-101). Giả sử chúng ta cũng thêm một chiều batch. Điều này có nghĩa là đầu vào của bộ khung là một tensor có hình dạng (batch_size, 3, height, width), với giả định rằng hình ảnh có 3 kênh màu (RGB). Bộ khung CNN xuất ra một bản đồ đặc trưng (feature map) mới có độ phân giải thấp hơn, thường có hình dạng (batch_size, 2048, height/32, width/32). Sau đó, bản đồ này được chiếu (project) để khớp với chiều ẩn (hidden dimension) của Transformer trong DETR, mặc định là 256, bằng cách sử dụng một lớp nn.Conv2D. Vì vậy, bây giờ chúng ta có một tensor có hình dạng (batch_size, 256, height/32, width/32). Tiếp theo, bản đồ đặc trưng được làm phẳng (flatten) và chuyển vị (transpose) để thu được một tensor có hình dạng (batch_size, seq_len, d_model) = (batch_size, width/32*height/32, 256). Do đó, một điểm khác biệt so với các mô hình NLP là độ dài chuỗi thực tế dài hơn bình thường, nhưng với d_model nhỏ hơn (trong NLP, giá trị này thường là 768 hoặc cao hơn).

Tiếp theo, dữ liệu này được đưa qua encoder, tạo ra encoder_hidden_states có cùng hình dạng (bạn có thể coi đây là các đặc trưng của ảnh). Tiếp theo, các object queries được đưa qua decoder. Đây là một tensor có hình dạng (batch_size, num_queries, d_model), trong đó num_queries thường được đặt là 100 và được khởi tạo bằng số 0. Các embedding đầu vào này là các mã hóa vị trí được học, mà các tác giả gọi là object queries, và tương tự như encoder, chúng được cộng vào đầu vào của mỗi lớp attention. Mỗi object query sẽ tìm kiếm một đối tượng cụ thể trong ảnh. Decoder cập nhật các embedding này thông qua nhiều lớp self-attention và encoder-decoder attention để tạo ra decoder_hidden_states có cùng hình dạng: (batch_size, num_queries, d_model). Tiếp theo, hai head được thêm vào phía trên cho việc phát hiện đối tượng: một lớp tuyến tính để phân loại mỗi object query vào một trong các đối tượng hoặc “no object”, và một MLP để dự đoán các bounding box cho mỗi query.

Mô hình được huấn luyện bằng mất mát khớp hai phần: cụ thể, chúng ta so sánh các lớp và hộp bao dự đoán của mỗi trong số N = 100 truy vấn đối tượng với các chú thích thực tế, được đệm lên cùng độ dài N (ví dụ, nếu một hình ảnh chỉ chứa 4 đối tượng, 96 chú thích còn lại sẽ có lớp là “không có đối tượng” và hộp bao là “không có hộp bao”). Thuật toán khớp Hungary được sử dụng để tìm ánh xạ một-một tối ưu giữa mỗi trong số N truy vấn và mỗi trong số N chú thích. Tiếp theo, mất mát entropy chéo chuẩn (cho các lớp) và tổ hợp tuyến tính của L1 và mất mát IoU tổng quát (cho các hộp bao) được dùng để tối ưu hóa các tham số của mô hình.

DETR có thể được mở rộng một cách tự nhiên để thực hiện phân đoạn toàn cảnh (panoptic segmentation, thống nhất phân đoạn ngữ nghĩa và phân đoạn thực thể). DetrForSegmentation thêm một đầu phân đoạn mặt nạ (segmentation mask head) lên trên DetrForObjectDetection. Đầu mặt nạ có thể được huấn luyện đồng thời, hoặc theo quy trình hai bước, trong đó trước tiên huấn luyện một mô hình DetrForObjectDetection để phát hiện các hộp bao quanh cả “things” (các thực thể) và “stuff” (các vật nền như cây, đường, bầu trời), sau đó đóng băng tất cả các trọng số và chỉ huấn luyện đầu mặt nạ trong 25 epoch. Về mặt thực nghiệm, hai cách tiếp cận này cho kết quả tương đương. Lưu ý rằng việc dự đoán hộp là bắt buộc để quá trình huấn luyện có thể thực hiện được, vì việc khớp Hungary (Hungarian matching) được tính toán dựa trên khoảng cách giữa các hộp.

Ghi chú

  • DETR sử dụng các object queries để phát hiện các đối tượng trong một hình ảnh. Số lượng queries quyết định số đối tượng tối đa có thể được phát hiện trong một hình ảnh, và mặc định được đặt là 100 (xem tham số num_queries của DetrConfig). Lưu ý rằng nên để dư một chút (trong COCO, các tác giả đã sử dụng 100, trong khi số đối tượng tối đa trong một hình ảnh COCO là ~70).
  • Bộ giải mã của DETR cập nhật các vector nhúng truy vấn song song. Điều này khác với các mô hình ngôn ngữ như GPT-2, vốn sử dụng giải mã tự hồi quy thay vì song song. Do đó, không có mặt nạ chú ý nhân quả nào được sử dụng.
  • DETR thêm position embeddings vào hidden states ở mỗi lớp self-attention và cross-attention trước khi chiếu sang queries và keys. Đối với position embeddings của ảnh, người dùng có thể chọn giữa fixed sinusoidal hoặc learned absolute position embeddings. Mặc định, tham số position_embedding_type của DetrConfig được đặt thành "sine".
  • Trong quá trình huấn luyện, các tác giả của DETR nhận thấy việc sử dụng các tổn thất phụ trong bộ giải mã là hữu ích, đặc biệt để giúp mô hình đưa ra số lượng đúng các đối tượng của mỗi lớp. Nếu bạn đặt tham số auxiliary_loss của DetrConfig thành True, thì các mạng nơ-ron tiền tiến dự đoán và tổn thất Hungarian sẽ được thêm vào sau mỗi lớp giải mã (với các FFN chia sẻ tham số).
  • Nếu bạn muốn huấn luyện mô hình trong môi trường phân tán trên nhiều nút, thì cần cập nhật biến num_boxes trong lớp DetrLoss của modeling_detr.py. Khi huấn luyện trên nhiều nút, giá trị này nên được đặt thành số lượng hộp mục tiêu trung bình trên tất cả các nút, như có thể thấy trong bản triển khai gốc tại đây.
  • DetrForObjectDetection và DetrForSegmentation có thể được khởi tạo với bất kỳ backbone tích chập nào có sẵn trong thư viện timm. Ví dụ, để khởi tạo với backbone MobileNet, bạn có thể đặt thuộc tính backbone của DetrConfig thành "tf_mobilenetv3_small_075", sau đó khởi tạo mô hình bằng config đó.
  • DER thu phóng các ảnh đầu vào sao cho cạnh ngắn nhất có ít nhất một số lượng pixel nhất định trong khi cạnh dài nhất không vượt quá 1333 pixel. Khi huấn luyện, kỹ thuật tăng cường tỷ lệ (scale augmentation) được sử dụng để đặt cạnh ngắn nhất ngẫu nhiên vào khoảng từ ít nhất 480 đến tối đa 800 pixel. Khi suy luận, cạnh ngắn nhất được đặt là 800. Bạn có thể sử dụng DetrImageProcessor để chuẩn bị ảnh (và chú thích tùy chọn ở định dạng COCO) cho mô hình. Do việc thu phóng này, các ảnh trong một lô (batch) có thể có kích thước khác nhau. DETR giải quyết vấn đề này bằng cách đệm (padding) các ảnh lên kích thước lớn nhất trong lô, và tạo một mặt nạ pixel (pixel mask) chỉ ra pixel nào là thật/pixel nào là phần đệm. Ngoài ra, bạn cũng có thể định nghĩa một collate_fn tùy chỉnh để gom các ảnh thành một lô, bằng cách sử dụng ~transformers.DetrImageProcessor.pad_and_create_pixel_mask.
  • Kích thước của các hình ảnh sẽ quyết định lượng bộ nhớ được sử dụng, và do đó sẽ quyết định batch_size. Khuyến nghị sử dụng batch size là 2 trên mỗi GPU. Xem thảo luận trên Github này để biết thêm thông tin.

Có ba cách khác để khởi tạo một mô hình DETR (tùy thuộc vào sở thích của bạn):

  • Tùy chọn 1: Khởi tạo DETR với trọng số được huấn luyện trước cho toàn bộ mô hình
from transformers import DetrForObjectDetection


model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", device_map="auto")
  • Tùy chọn 2: Khởi tạo DETR với trọng số được khởi tạo ngẫu nhiên cho Transformer, nhưng dùng trọng số đã huấn luyện trước cho backbone
from transformers import DetrConfig, DetrForObjectDetection


config = DetrConfig()
model = DetrForObjectDetection(config)
  • Tùy chọn 3: Khởi tạo DETR với trọng số được khởi tạo ngẫu nhiên cho backbone + Transformer
config = DetrConfig()
model = DetrForObjectDetection(config)

Tóm lại, hãy xem bảng sau:

Nhiệm vụPhát hiện đối tượngPhân đoạn đối tượngPhân đoạn toàn cảnh
Mô tảDự đoán các hộp bao quanh và nhãn lớp cho các đối tượng trong một hình ảnhDự đoán các mặt nạ quanh các đối tượng (tức là các thể) trong một hình ảnhDự đoán các mặt nạ (mask) bao quanh cả các đối tượng (tức là các instance) lẫn “stuff” (tức là các vật nền như cây cối và đường sá) trong một hình ảnh
Mô hìnhDetrForObjectDetectionDetrForSegmentationDetrForSegmentation
Dataset mẫuPhát hiện COCOPhát hiện COCO, panoptic COCOCOCO panoptic
Định dạng chú thích để cung cấp cho DetrImageProcessor{‘image_id’: int, ‘annotations’: list[Dict]} trong đó mỗi Dict là một chú thích đối tượng COCO{‘image_id’: int, ‘annotations’: list[Dict]} (trong trường hợp phát hiện COCO) hoặc {‘file_name’: str, ‘image_id’: int, ‘segments_info’: list[Dict]} (trong trường hợp panoptic COCO){‘file_name’: str, ‘image_id’: int, ‘segments_info’: list[Dict]} và masks_path (đường dẫn đến thư mục chứa các tệp PNG của các mặt nạ)
Xử lý hậu kỳ (tức là chuyển đổi đầu ra của mô hình sang định dạng Pascal VOC)~transformers.DetrImageProcessor.post_process~transformers.DetrImageProcessor.post_process_segmentation~transformers.DetrImageProcessor.post_process_segmentation, ~transformers.DetrImageProcessor.post_process_panoptic
evaluatorsCocoEvaluator với iou_types="bbox"CocoEvaluator với iou_types="bbox" hoặc "segm"CocoEvaluator với iou_types="bbox" hoặc "segm", PanopticEvaluator
  • Tóm lại, bạn nên chuẩn bị dữ liệu ở định dạng COCO detection hoặc COCO panoptic, sau đó sử dụng DetrImageProcessor để tạo ra pixel_values, pixel_mask và tùy chọn labels, các giá trị này có thể được dùng để huấn luyện (hoặc tinh chỉnh) một mô hình.
  • Để đánh giá, trước tiên cần chuyển đổi đầu ra của mô hình bằng một trong các phương pháp hậu xử lý của DetrImageProcessor. Kết quả này có thể được cung cấp cho CocoEvaluator hoặc PanopticEvaluator, cho phép bạn tính toán các chỉ số như mean Average Precision (mAP) và Panoptic Quality (PQ). Các đối tượng sau được triển khai trong bản gốc. Xem notebook ví dụ để biết thêm thông tin về đánh giá.

Tài nguyên

DetrConfig

lớp transformers.DetrConfig

< >

( 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 = Truebackbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonenum_channels: int = 3num_queries: int = 100encoder_layers: int = 6encoder_ffn_dim: int = 2048encoder_attention_heads: int = 8decoder_layers: int = 6decoder_ffn_dim: int = 2048decoder_attention_heads: int = 8encoder_layerdrop: float | int = 0.0decoder_layerdrop: float | int = 0.0activation_function: str = 'relu'd_model: int = 256dropout: float | int = 0.1attention_dropout: float | int = 0.0activation_dropout: float | int = 0.0init_std: float = 0.02init_xavier_std: float = 1.0auxiliary_loss: bool = Falseposition_embedding_type: str = 'sine'dilation: bool = Falseclass_cost: int = 1bbox_cost: int = 5giou_cost: int = 2mask_loss_coefficient: int = 1dice_loss_coefficient: int = 1bbox_loss_coefficient: int = 5giou_loss_coefficient: int = 2eos_coefficient: float = 0.1 )

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.
  • backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone.
  • num_channels (int, tùy chọn, mặc định là 3) — Số lượng kênh đầu vào.
  • num_queries (int, tùy chọn, mặc định là 100) — Số lượng truy vấn đối tượng, tức là các khe phát hiện. Đây là số lượng đối tượng tối đa mà ConditionalDetrModel có thể phát hiện trong một hình ảnh. Đối với COCO, chúng tôi khuyến nghị sử dụng 100 truy vấn.
  • encoder_layers (int, tùy chọn, mặc định là 6) — 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 2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp 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.
  • 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_ffn_dim (int, tùy chọn, mặc định là 2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp feed-forward) trong decoder.
  • 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.
  • encoder_layerdrop (Union[float, int], tùy chọn, mặc định là 0.0) — Xác suất LayerDrop cho bộ mã hóa. Xem [bài báo LayerDrop](xem https://huggingface.co/papers/1909.11556) để biết thêm chi tiết.
  • decoder_layerdrop (Union[float, int], tùy chọn, mặc định là 0.0) — Xác suất LayerDrop cho bộ giải mã. Xem [bài báo LayerDrop](xem https://huggingface.co/papers/1909.11556) để biết thêm chi tiết.
  • activation_function (str, tùy chọn, mặc định là relu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, "gelu", "relu", "silu", v.v.
  • d_model (int, tùy chọn, mặc định là 256) — Kích thước của các lớp encoder và lớp pooler.
  • dropout (Union[float, int], tùy chọn, mặc định là 0.1) — Tỷ lệ cho tất cả các lớp dropout.
  • attention_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các xác suất chú ý.
  • 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.
  • init_std (float, tùy chọn, mặc định là 0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
  • init_xavier_std (float, tuỳ chọn, mặc định là 1.0) — Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention.
  • auxiliary_loss (bool, tùy chọn, mặc định là False) — Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không.
  • position_embedding_type (str, tùy chọn, mặc định là "sine") — Loại position embedding được sử dụng trên các đặc trưng hình ảnh. Một trong "sine" hoặc "learned".
  • dilation (bool, tùy chọn, mặc định là False) — Có thay thế stride bằng dilation trong khối convolutional cuối cùng (DC5) hay không. Chỉ được hỗ trợ khi use_timm_backbone = True.
  • class_cost (int, tùy chọn, mặc định là 1) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.
  • bbox_cost (int, tùy chọn, mặc định là 5) — Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian.
  • giou_cost (int, tùy chọn, mặc định là 2) — Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian.
  • mask_loss_coefficient (int, tùy chọn, mặc định là 1) — Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.
  • dice_loss_coefficient (int, tùy chọn, mặc định là 1) — Trọng số tương đối của dice loss trong panoptic segmentation loss.
  • bbox_loss_coefficient (int, tùy chọn, mặc định là 5) — Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phân đoạn toàn cảnh.
  • giou_loss_coefficient (int, tùy chọn, mặc định là 2) — Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phân đoạn panoptic.
  • eos_coefficient (float, tùy chọn, mặc định là 0.1) — Trọng số phân loại tương đối của lớp ‘no-object’ trong hàm mất mát phát hiện đối tượng.

Đây là lớp cấu hình để lưu trữ cấu hình của một DetrModel. Nó được sử dụng để khởi tạo một mô hình 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 facebook/detr-resnet-50

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 DetrConfig, DetrModel

>>> # Initializing a DETR facebook/detr-resnet-50 style configuration
>>> configuration = DetrConfig()

>>> # Initializing a model (with random weights) from the facebook/detr-resnet-50 style configuration
>>> model = DetrModel(configuration)

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

DetrImageProcessor

lớp transformers.DetrImageProcessor

< >

( **kwargs: *<class 'transformers.models.detr.image_processing_detr.DetrImageProcessorKwargs'> )

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 {'shortest_edge' -- 800, 'longest_edge': 1333}): 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 True) — 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 True) — 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, tuỳ chọn, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) 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 trình xử lý ảnh DetrImageProcessor.

preprocess

< >

( 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.detr.image_processing_detr.DetrImageProcessorKwargs'> ) → ~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, tuỳ chọn, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) 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

< >

( outputsthreshold: float = 0.5target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None ) → list[Dict]

Tham số

  • outputs (DetrObjectDetectionOutput) — Đầu ra thô của mô hình.
  • threshold (float, tùy chọn) — 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.

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.

post_process_semantic_segmentation

< >

( outputstarget_sizes: list[tuple[int, int]] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra thô của mô hình.
  • target_sizes (list[tuple[int, int]], tùy chọn) — Một danh sách các bộ ba (tuple[int, int]) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
  • return_segmentation_scores (bool, tùy chọn, mặc định là False) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi True, mỗi phần tử của danh sách được trả về là một SemanticSegmentationPostProcessorOutput với các trường segmentation (các ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)).

Trả về

list[torch.Tensor] hoặc list[SemanticSegmentationPostProcessorOutput]

Khi return_segmentation_scores=False (mặc định), kết quả là một danh sách có độ dài batch_size, trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng (height, width) chứa các ID lớp. Khi return_segmentation_scores=True, kết quả là một danh sách các SemanticSegmentationPostProcessorOutput với các trường segmentation (ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)). Trong cả hai trường hợp, (height, width) tương ứng với kích thước đích (nếu target_sizes được chỉ định).

Chuyển đổi đầu ra của DetrForSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

post_process_instance_segmentation

< >

( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = False ) → list[Dict]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra thô của mô hình.
  • threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán.
  • mask_threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.
  • overlap_mask_area_threshold (float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.
  • target_sizes (list[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
  • return_coco_annotation (bool, tùy chọn) — Mặc định là False. Nếu đặt thành True, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:

  • segmentation — Một tensor có hình dạng (height, width) trong đó mỗi pixel đại diện cho một segment_id hoặc list[List] mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thành True. Đặt thành None nếu không tìm thấy mask nào vượt quá threshold.
  • segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
    • id — Một số nguyên đại diện cho segment_id.
    • label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với segment_id.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của DetrForSegmentation thành các dự đoán phân đoạn thực thể. Chỉ hỗ trợ PyTorch.

post_process_panoptic_segmentation

< >

( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8label_ids_to_fuse: set[int] | None = Nonetarget_sizes: list[tuple[int, int]] | None = None ) → list[Dict]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra từ DetrForSegmentation.
  • threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán.
  • mask_threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.
  • overlap_mask_area_threshold (float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.
  • label_ids_to_fuse (Set[int], tùy chọn) — Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn của bầu trời sẽ nằm trong tập hợp đó, nhưng ID nhãn của người thì không.
  • target_sizes (list[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:

  • segmentation — một tensor có hình dạng (height, width) trong đó mỗi pixel đại diện cho một segment_id hoặc None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục tương ứng trong target_sizes.
  • segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
    • id — một số nguyên đại diện cho segment_id.
    • label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với segment_id.
    • was_fused — một giá trị boolean, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của DetrForSegmentation thành các dự đoán phân đoạn panoptic cho ảnh. Chỉ hỗ trợ PyTorch.

DetrImageProcessorPil

lớp transformers.DetrImageProcessorPil

< >

( **kwargs: *<class 'transformers.models.detr.image_processing_pil_detr.DetrImageProcessorKwargs'> )

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 {'shortest_edge' -- 800, 'longest_edge': 1333}): 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 True) — 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 True) — 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, tuỳ chọn, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) 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 trình xử lý ảnh DetrImageProcessor.

preprocess

< >

( 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.detr.image_processing_pil_detr.DetrImageProcessorKwargs'> ) → ~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, tuỳ chọn, mặc định là True) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) 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

< >

( outputsthreshold: float = 0.5target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None ) → list[Dict]

Tham số

  • outputs (DetrObjectDetectionOutput) — Đầu ra thô của mô hình.
  • threshold (float, tùy chọn) — 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.

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.

post_process_semantic_segmentation

< >

( outputstarget_sizes: list[tuple[int, int]] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra thô của mô hình.
  • target_sizes (list[tuple[int, int]], tùy chọn) — Một danh sách các bộ ba (tuple[int, int]) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
  • return_segmentation_scores (bool, tùy chọn, mặc định là False) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi True, mỗi phần tử của danh sách được trả về là một SemanticSegmentationPostProcessorOutput với các trường segmentation (các ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)).

Trả về

list[torch.Tensor] hoặc list[SemanticSegmentationPostProcessorOutput]

Khi return_segmentation_scores=False (mặc định), kết quả là một danh sách có độ dài batch_size, trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng (height, width) chứa các ID lớp. Khi return_segmentation_scores=True, kết quả là một danh sách các SemanticSegmentationPostProcessorOutput với các trường segmentation (ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)). Trong cả hai trường hợp, (height, width) tương ứng với kích thước đích (nếu target_sizes được chỉ định).

Chuyển đổi đầu ra của DetrForSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

post_process_instance_segmentation

< >

( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = False ) → list[Dict]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra thô của mô hình.
  • threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán.
  • mask_threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.
  • overlap_mask_area_threshold (float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.
  • target_sizes (list[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
  • return_coco_annotation (bool, tùy chọn) — Mặc định là False. Nếu đặt thành True, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:

  • segmentation — Một tensor có hình dạng (height, width) trong đó mỗi pixel đại diện cho một segment_id hoặc list[List] mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thành True. Đặt thành None nếu không tìm thấy mask nào vượt quá threshold.
  • segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
    • id — Một số nguyên đại diện cho segment_id.
    • label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với segment_id.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của DetrForSegmentation thành các dự đoán phân đoạn thực thể. Chỉ hỗ trợ PyTorch.

post_process_panoptic_segmentation

< >

( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8label_ids_to_fuse: set[int] | None = Nonetarget_sizes: list[tuple[int, int]] | None = None ) → list[Dict]

Tham số

  • outputs (DetrForSegmentation) — Đầu ra từ DetrForSegmentation.
  • threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán.
  • mask_threshold (float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.
  • overlap_mask_area_threshold (float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.
  • label_ids_to_fuse (Set[int], tùy chọn) — Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn của bầu trời sẽ nằm trong tập hợp đó, nhưng ID nhãn của người thì không.
  • target_sizes (list[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.

Trả về

list[Dict]

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:

  • segmentation — một tensor có hình dạng (height, width) trong đó mỗi pixel đại diện cho một segment_id hoặc None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục tương ứng trong target_sizes.
  • segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
    • id — một số nguyên đại diện cho segment_id.
    • label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với segment_id.
    • was_fused — một giá trị boolean, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của DetrForSegmentation thành các dự đoán phân đoạn panoptic cho ảnh. Chỉ hỗ trợ PyTorch.

Đầu ra cụ thể của DETR

lớp transformers.models.detr.modeling_detr.DetrModelOutput

< >

( last_hidden_state: typing.Optional[torch.Tensor] = Nonepast_key_values: transformers.cache_utils.EncoderDecoderCache | None = Nonedecoder_hidden_states: tuple[torch.Tensor, ...] | None = Nonedecoder_attentions: tuple[torch.Tensor, ...] | None = Nonecross_attentions: tuple[torch.Tensor, ...] | None = Noneencoder_last_hidden_state: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: tuple[torch.Tensor, ...] | None = Noneencoder_attentions: tuple[torch.Tensor, ...] | None = Noneintermediate_hidden_states: typing.Optional[torch.Tensor] = None )

Tham số

  • last_hidden_state (torch.Tensor có dạng (batch_size, sequence_length, hidden_size)) — Chuỗi hidden-state tại đầu ra của lớp cuối cùng của decoder trong model. Nếu past_key_values được sử dụng, chỉ hidden-state cuối cùng của các chuỗi có dạng (batch_size, 1, hidden_size) được đưa ra.

    Nếu past_key_values được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi có shape (batch_size, 1, hidden_size) được xuất ra.

  • past_key_values (EncoderDecoderCache, tuỳ chọn, được trả về khi use_cache=True được truyền vào hoặc khi config.use_cache=True) — Đây là một EncoderDecoderCache thực thể. Để biết thêm chi tiết, hãy xem hướng dẫn về bộ đệm kv.

    Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và trong các khối cross-attention) có thể được sử dụng (xem đầu vào past_key_values) để tăng tốc độ giải mã tuần tự.

  • 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 model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (batch_size, sequence_length, hidden_size).

    Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với các đầu ra nhúng ban đầu tùy chọn.

  • decoder_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 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 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) — Tuple của torch.Tensor (một cho đầu ra của embeddings, nếu model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (batch_size, sequence_length, hidden_size).

    Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với các đầu ra nhúng ban đầu tùy chọn.

  • encoder_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 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).

  • intermediate_hidden_states (torch.Tensor có hình dạng (config.decoder_layers, batch_size, sequence_length, hidden_size), tùy chọn, được trả về khi config.auxiliary_loss=True) — Các kích hoạt trung gian của bộ giải mã, tức là đầu ra của từng lớp giải mã, mỗi đầu ra đã đi qua một layernorm.

Lớp cơ sở cho đầu ra của mô hình encoder-decoder DETR. Lớp này thêm một thuộc tính vào Seq2SeqModelOutput, cụ thể là một chồng kích hoạt trung gian của decoder tùy chọn, tức là đầu ra của từng lớp decoder, mỗi lớp đều đi qua một layernorm. Điều này hữu ích khi huấn luyện mô hình với các tổn thất giải mã bổ trợ.

lớp transformers.models.detr.modeling_detr.DetrObjectDetectionOutput

< >

( loss: typing.Optional[torch.Tensor] = Noneloss_dict: dict | None = Nonelogits: typing.Optional[torch.Tensor] = Nonepred_boxes: typing.Optional[torch.Tensor] = Noneauxiliary_outputs: list[dict] | None = Nonelast_hidden_state: typing.Optional[torch.Tensor] = Nonedecoder_hidden_states: tuple[torch.Tensor] | None = Nonedecoder_attentions: tuple[torch.Tensor] | None = Nonecross_attentions: tuple[torch.Tensor] | None = Noneencoder_last_hidden_state: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: tuple[torch.Tensor] | None = Noneencoder_attentions: tuple[torch.Tensor] | None = None )

Tham số

  • loss (torch.Tensor có hình dạng (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 hình dạng (batch_size, num_queries, num_classes + 1)) — Logits phân loại (bao gồm cả no-object) cho tất cả các query.
  • pred_boxes (torch.Tensor có shape (batch_size, num_queries, 4)) — Tọa độ hộp đã 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 với kích thước của từng hình ảnh riêng lẻ trong batch (bỏ qua padding nếu có). Bạn có thể sử dụng post_process_object_detection() để lấy các hộp giới hạn chưa được chuẩn hóa.
  • auxiliary_outputs (list[Dict], tùy chọn) — Tùy 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 ở trên (logits và pred_boxes) cho mỗi lớp giải mã.
  • last_hidden_state (torch.Tensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
  • 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 model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (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], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (mỗi tensor cho từng lớp) có 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 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) — Tuple của torch.Tensor (một cho đầu ra của embeddings, nếu model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (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) — Tuple của torch.Tensor (mỗi tensor cho từng lớp) có 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).

Loại đầu ra của DetrForObjectDetection.

lớp transformers.models.detr.modeling_detr.DetrSegmentationOutput

< >

( loss: typing.Optional[torch.Tensor] = Noneloss_dict: dict | None = Nonelogits: typing.Optional[torch.Tensor] = Nonepred_boxes: typing.Optional[torch.Tensor] = Nonepred_masks: typing.Optional[torch.Tensor] = Noneauxiliary_outputs: list[dict] | None = Nonelast_hidden_state: typing.Optional[torch.Tensor] = Nonedecoder_hidden_states: tuple[torch.Tensor] | None = Nonedecoder_attentions: tuple[torch.Tensor] | None = Nonecross_attentions: tuple[torch.Tensor] | None = Noneencoder_last_hidden_state: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: tuple[torch.Tensor] | None = Noneencoder_attentions: tuple[torch.Tensor] | None = None )

Tham số

  • loss (torch.Tensor có hình dạng (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 hình dạng (batch_size, num_queries, num_classes + 1)) — Logits phân loại (bao gồm cả no-object) cho tất cả các query.
  • pred_boxes (torch.Tensor có shape (batch_size, num_queries, 4)) — Tọa độ hộp đã 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 với kích thước của từng hình ảnh riêng lẻ trong batch (bỏ qua padding nếu có). Bạn có thể sử dụng post_process_object_detection() để lấy các hộp giới hạn chưa được chuẩn hóa.
  • pred_masks (torch.Tensor có shape (batch_size, num_queries, height/4, width/4)) — Logits của các mask phân đoạn cho tất cả các query. Xem thêm post_process_semantic_segmentation() hoặc post_process_instance_segmentation() post_process_panoptic_segmentation() để đánh giá các mask phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic tương ứng.
  • auxiliary_outputs (list[Dict], tùy chọn) — Tùy 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 ở trên (logits và pred_boxes) cho mỗi lớp giải mã.
  • last_hidden_state (torch.Tensor có hình dạng (batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
  • 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 model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (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], tuỳ chọn, được trả về khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của torch.Tensor (mỗi tensor cho từng lớp) có 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 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) — Tuple của torch.Tensor (một cho đầu ra của embeddings, nếu model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape (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) — Tuple của torch.Tensor (mỗi tensor cho từng lớp) có 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).

Loại đầu ra của DetrForSegmentation.

DetrModel

lớp transformers.DetrModel

< >

( config: DetrConfig )

Tham số

  • config (DetrConfig) — 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 DETR cơ bản (gồm một backbone và Transformer encoder-decoder) xuất ra các hidden-state thô mà không có bất kỳ head cụ thể nào ở trên cùng.

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: typing.Optional[torch.Tensor] = Nonepixel_mask: typing.Optional[torch.LongTensor] = Nonedecoder_attention_mask: typing.Optional[torch.Tensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonedecoder_inputs_embeds: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → DetrModelOutput or tuple(torch.Tensor)

Tham số

  • pixel_values (torch.Tensor có hình dạng (batch_size, num_channels, image_size, image_size), tùy chọn) — 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?

  • decoder_attention_mask (torch.Tensor có hình dạng (batch_size, num_queries), tùy chọn) — Mặt nạ để tránh thực hiện attention trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong [0, 1]:
    • 1 cho các truy vấn không bị che,
    • 0 cho các truy vấn bị che.
  • 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 backbone + lớp chiếu), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của hình ảnh. Hữu ích để bỏ qua vision backbone.
  • decoder_inputs_embeds (torch.Tensor có hình dạng (batch_size, num_queries, hidden_size), tùy chọn) — Tùy chọn, thay vì khởi tạo các query bằng một tensor các số 0, bạn có thể chọn truyền trực tiếp một biểu diễn đã nhúng. Hữu ích cho các tác vụ yêu cầu khởi tạo query tùy chỉnh.

Trả về

DetrModelOutput hoặc tuple(torch.Tensor)

Một DetrModelOutput 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 DetrModel 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, sequence_length, hidden_size)) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.

    Nếu past_key_values được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi có shape (batch_size, 1, hidden_size) được xuất ra.

  • past_key_values (EncoderDecoderCache, tùy chọn, được trả về khi use_cache=True được truyền vào hoặc khi config.use_cache=True) — Đây là một instance của EncoderDecoderCache. Để biết thêm chi tiết, hãy xem hướng dẫn về kv cache của chúng tôi.

    Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và trong các khối cross-attention) có thể được sử dụng (xem đầu vào past_key_values) để tăng tốc độ giải mã tuần tự.

  • 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 các đầu ra nhúng ban đầu tùy chọn.

  • decoder_attentions (tuple(torch.Tensor), tùy chọn, được trả về khi truyền output_attentions=True 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) — 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 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 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 mã hóa tại đầu ra của mỗi lớp cùng với các đầu ra nhúng ban đầu tùy chọn.

  • encoder_attentions (tuple(torch.Tensor), tùy chọn, được trả về khi truyền output_attentions=True 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 mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).

  • intermediate_hidden_states (torch.Tensor có hình dạng (config.decoder_layers, batch_size, sequence_length, hidden_size), tùy chọn, được trả về khi config.auxiliary_loss=True) — Các kích hoạt trung gian của bộ giải mã, tức là đầu ra của từng lớp giải mã, mỗi lớp đã đi qua một layernorm.

Ví dụ:

>>> from transformers import AutoImageProcessor, DetrModel
>>> 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("facebook/detr-resnet-50")
>>> model = DetrModel.from_pretrained("facebook/detr-resnet-50")

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

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

>>> # the last hidden states are the final query embeddings of the Transformer decoder
>>> # these are of shape (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 100, 256]

DetrForObjectDetection

lớp transformers.DetrForObjectDetection

< >

( config: DetrConfig )

Tham số

  • config (DetrConfig) — 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 DETR (gồm một backbone và Transformer encoder-decoder) với các đầu dò phát hiện đối tượng phía trên, dành cho các tác vụ như phát hiện đối tượng COCO.

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] = Nonedecoder_attention_mask: typing.Optional[torch.Tensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonedecoder_inputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → DetrObjectDetectionOutput 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?

  • decoder_attention_mask (torch.Tensor có hình dạng (batch_size, num_queries), tùy chọn) — Mặt nạ để tránh thực hiện attention trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong [0, 1]:
    • 1 cho các truy vấn không bị che,
    • 0 cho các truy vấn bị che.
  • 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 backbone + lớp chiếu), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của hình ảnh. Hữu ích để bỏ qua vision backbone.
  • decoder_inputs_embeds (torch.Tensor có hình dạng (batch_size, num_queries, hidden_size), tùy chọn) — Tùy chọn, thay vì khởi tạo các query bằng một tensor các số 0, bạn có thể chọn truyền trực tiếp một biểu diễn đã nhúng. Hữu ích cho các tác vụ yêu cầu khởi tạo query tùy chỉnh.
  • 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

DetrObjectDetectionOutput hoặc tuple(torch.Tensor)

Một DetrObjectDetectionOutput 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 DetrForObjectDetection 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 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 chưa được chuẩn hóa.

  • 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, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.

  • 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).

Ví dụ:

>>> from transformers import AutoImageProcessor, DetrForObjectDetection
>>> import torch
>>> 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("facebook/detr-resnet-50")
>>> model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50")

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

>>> # 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 remote with confidence 0.998 at location [40.16, 70.81, 175.55, 117.98]
Detected remote with confidence 0.996 at location [333.24, 72.55, 368.33, 187.66]
Detected couch with confidence 0.995 at location [-0.02, 1.15, 639.73, 473.76]
Detected cat with confidence 0.999 at location [13.24, 52.05, 314.02, 470.93]
Detected cat with confidence 0.999 at location [345.4, 23.85, 640.37, 368.72]

DetrForSegmentation

lớp transformers.DetrForSegmentation

< >

( config: DetrConfig )

Tham số

  • config (DetrConfig) — 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 DETR (gồm một backbone và Transformer encoder-decoder) với một đầu phân đoạn (segmentation head) phía trên, dành cho các tác vụ như COCO panoptic.

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] = Nonedecoder_attention_mask: typing.Optional[torch.Tensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonedecoder_inputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → DetrSegmentationOutput 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?

  • decoder_attention_mask (torch.Tensor có hình dạng (batch_size, num_queries), tùy chọn) — Mặt nạ để tránh thực hiện attention trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong [0, 1]:
    • 1 cho các truy vấn không bị che,
    • 0 cho các truy vấn bị che.
  • 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) — Được giữ lại để đảm bảo tương thích ngược, nhưng không thể được sử dụng cho phân đoạn, vì phân đoạn yêu cầu các đặc trưng đa tỷ lệ từ backbone mà không có sẵn khi bỏ qua nó bằng inputs_embeds.
  • decoder_inputs_embeds (torch.Tensor có hình dạng (batch_size, num_queries, hidden_size), tùy chọn) — Tùy chọn, thay vì khởi tạo các query bằng một tensor các số 0, bạn có thể chọn truyền trực tiếp một biểu diễn đã nhúng. Hữu ích cho các tác vụ yêu cầu khởi tạo query tùy chỉnh.
  • labels (list[Dict] of len (batch_size,), optional) — Labels for computing the bipartite matching loss, DICE/F-1 loss and Focal loss. List of dicts, each dictionary containing at least the following 3 keys: ‘class_labels’, ‘boxes’ and ‘masks’ (the class labels, bounding boxes and segmentation masks of an image in the batch respectively). The class labels themselves should be a torch.LongTensor of len (number of bounding boxes in the image,), the boxes a torch.Tensor of shape (number of bounding boxes in the image, 4) and the masks a torch.Tensor of shape (number of bounding boxes in the image, height, width).

Trả về

DetrSegmentationOutput hoặc tuple(torch.Tensor)

Một DetrSegmentationOutput 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 DetrForSegmentation 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 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 chưa được chuẩn hóa.

  • pred_masks (torch.Tensor có shape (batch_size, num_queries, height/4, width/4)) — Logits của các mask phân đoạn cho tất cả các query. Xem thêm post_process_semantic_segmentation() hoặc post_process_instance_segmentation() post_process_panoptic_segmentation() để đánh giá các mask phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic tương ứng.

  • 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, sequence_length, hidden_size), tùy chọn) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.

  • 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).

Ví dụ:

>>> import io
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from PIL import Image
>>> import torch
>>> import numpy

>>> from transformers import AutoImageProcessor, DetrForSegmentation
>>> from transformers.image_transforms import rgb_to_id

>>> 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("facebook/detr-resnet-50-panoptic")
>>> model = DetrForSegmentation.from_pretrained("facebook/detr-resnet-50-panoptic")

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

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

>>> # Use the `post_process_panoptic_segmentation` method of the `image_processor` to retrieve post-processed panoptic segmentation maps
>>> # Segmentation results are returned as a list of dictionaries
>>> result = image_processor.post_process_panoptic_segmentation(outputs, target_sizes=[(300, 500)])

>>> # A tensor of shape (height, width) where each value denotes a segment id, filled with -1 if no segment is found
>>> panoptic_seg = result[0]["segmentation"]
>>> panoptic_seg.shape
torch.Size([300, 500])
>>> # Get prediction score and segment_id to class_id mapping of each segment
>>> panoptic_segments_info = result[0]["segments_info"]
>>> len(panoptic_segments_info)
5
Update on GitHub

←DepthPro DiNAT→