Deformable DETR

Instalasi

Deformable DETR tidak memerlukan extra opsional. Semua yang diimpornya sudah tersedia di instalasi dasar, memakai inti multi-scale deformable attention berbasis PyTorch murni.

pip install libreyolo

Memasang libreyolo[hub-kernels] bersifat opsional. Begitu paket kernels tersedia, LibreYOLO mengambil kernel multi-scale deformable attention yang sudah dikompilasi dari Hugging Face Hub saat runtime dan memakainya sebagai pengganti inti PyTorch murni; LIBREYOLO_HUB_KERNELS=0 mematikannya kembali.

Prediksi

Bobot diunduh dari Hugging Face saat pertama kali dipakai lalu disimpan di cache lokal.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDeformableDETRr50.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreDeformableDETRr50.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti detektor dengan yang lain hanya butuh perubahan satu baris. conf dan max_det menyaring seleksi query; iou tetap diterima demi keseragaman API tetapi tidak berpengaruh, karena decoder-nya adalah set predictor tanpa langkah NMS. Lihat prediksi untuk sumber, streaming dan penanganan hasil.

Deformable DETR hanya tersedia untuk inferensi di LibreYOLO. Upstream melatihnya dengan Hungarian matching dan focal classification loss; resep itu tidak diimplementasikan di sini, jadi train() memunculkan NotImplementedError.

Varian

Lima checkpoint mencakup seluruh konfigurasi yang dirilis, semuanya pada resolusi input yang sama. r50ss membatasi attention pada satu skala feature saja; r50ssdc5 menambahkan tahap backbone C5 berdilatasi di atasnya. r50 adalah konfigurasi multi-skala default, dengan sampling di empat level feature map. r50refine menambahkan penghalusan bounding box iteratif di seluruh lapisan decoder, dan r50twostage menghasilkan region proposal awalnya dari keluaran encoder, bukan dari query yang dipelajari.

Validasi

val() mengembalikan dictionary berisi key metrics/ yang mencakup presisi, recall, mAP 50 dan mAP 50-95, diukur terhadap dataset apa pun dalam format yang dipakai saat pelatihan.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeformableDETRr50.pt") # val() mengembalikan dict biasa, bukan objekmetrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])print(metrics["metrics/precision"], metrics["metrics/recall"])

libreyolo val model=LibreDeformableDETRr50.pt data=my-dataset.yaml

Ekspor

Artefak hasil ekspor dimuat kembali lewat LibreYOLO() berdasarkan sufiks berkasnya, jadi berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Ekspor memuat daftar argumen yang diterima setiap format.

from libreyolo import LibreYOLO model = LibreYOLO("LibreDeformableDETRr50.pt")model.export(format="onnx", imgsz=800)model.export(format="tensorrt", imgsz=800, half=True)

libreyolo export model=LibreDeformableDETRr50.pt format=onnx imgsz=800libreyolo export model=LibreDeformableDETRr50.pt format=tensorrt imgsz=800 half=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory-nya memilih berdasarkan sufiks berkas, jadi artefak hasil ekspor# dimuat seperti checkpoint biasa dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreDeformableDETRr50.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Semua berkas bobot yang dipublikasikan untuk family ini.

Lisensi

Sitasi

@article{zhu2020deformable,
  title={Deformable DETR: Deformable Transformers for End-to-End Object Detection},
  author={Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},
  journal={arXiv preprint arXiv:2010.04159},
  year={2020}
}