# LW-DETR [LW-DETR](https://huggingface.co/papers/2407.17140) đề xuất kiến trúc Detection Transformer (DETR) nhẹ, được thiết kế để cạnh tranh và vượt qua dòng YOLO thống trị trong phát hiện đối tượng thời gian thực. Nó đạt được sự cân bằng mới giữa tốc độ (độ trễ) và độ chính xác (mAP) bằng cách kết hợp các tiến bộ gần đây của transformer với các lựa chọn thiết kế hiệu quả. Kiến trúc LW-DETR được đặc trưng bởi cấu trúc đơn giản và hiệu quả: một ViT Encoder thuần, một Projector và một DETR Decoder nông. Nó tăng cường kiến trúc DETR về hiệu quả và tốc độ bằng các thay đổi cốt lõi sau: 1. Bộ mã hóa ViT hiệu quả: Sử dụng ViT thuần túy với sự xen kẽ giữa chú ý cửa sổ/chú ý toàn cục và tổ chức theo ưu tiên cửa sổ để giảm đáng kể độ phức tạp và độ trễ của chú ý. 2. Đầu vào phong phú hơn: Tổng hợp các đặc trưng đa cấp từ bộ mã hóa và sử dụng Projector C2f (YOLOv8) để truyền các đặc trưng hai tỷ lệ ($1/8$ và $1/32$). 3. Decoder nhanh hơn: Sử dụng decoder DETR 3 lớp nông với chú ý chéo biến dạng (deformable cross-attention) để giảm độ trễ và tăng tốc độ hội tụ. 4. Truy vấn được tối ưu hóa: Sử dụng cơ chế truy vấn hỗn hợp kết hợp các truy vấn nội dung có thể học được và các truy vấn không gian được tạo ra. Bạn có thể tìm thấy tất cả các checkpoint LW DETR khả dụng dưới tổ chức [AnnaZhang](https://huggingface.co/AnnaZhang). Mã nguồn gốc có thể được tìm thấy [tại đây](https://github.com/Atten4Vis/LW-DETR). > [!TIP] > Mô hình này được đóng góp bởi [stevenbucaille](https://huggingface.co/stevenbucaille). > > Nhấp vào các mô hình LW-DETR ở thanh bên phải để xem thêm các ví dụ về cách áp dụng LW-DETR cho các tác vụ phát hiện đối tượng khác nhau. Ví dụ dưới đây minh họa cách thực hiện phát hiện đối tượng bằng [Pipeline](/docs/transformers/main/vi/main_classes/pipelines#transformers.Pipeline) và lớp [AutoModel](/docs/transformers/main/vi/model_doc/auto#transformers.AutoModel). ```python from transformers import pipeline pipeline = pipeline( "object-detection", model="AnnaZhang/lwdetr_small_60e_coco", device_map=0 ) pipeline("http://images.cocodataset.org/val2017/000000039769.jpg") ``` ```python import requests import torch from PIL import Image from transformers import AutoImageProcessor, AutoModelForObjectDetection url = "http://images.cocodataset.org/val2017/000000039769.jpg" image = Image.open(requests.get(url, stream=True).raw) image_processor = AutoImageProcessor.from_pretrained("AnnaZhang/lwdetr_small_60e_coco") model = AutoModelForObjectDetection.from_pretrained("AnnaZhang/lwdetr_small_60e_coco", device_map="auto") # prepare image for the model inputs = image_processor(images=image, return_tensors="pt").to(model.device) with torch.no_grad(): outputs = model(**inputs) results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([image.size[::-1]]), threshold=0.3) for result in results: for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]): score, label = score.item(), label_id.item() box = [round(i, 2) for i in box.tolist()] print(f"{model.config.id2label[label]}: {score:.2f} {box}") ``` ## Tài nguyên Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với LwDetr. - Xem thêm: [Hướng dẫn tác vụ phát hiện đối tượng](../tasks/object_detection). ## LwDetrConfig[[transformers.LwDetrConfig]] #### transformers.LwDetrConfig[[transformers.LwDetrConfig]] ```python transformers.LwDetrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, projector_scale_factors: list[float] | tuple[float, ...] = (), hidden_expansion: float = 0.5, c2f_num_blocks: int = 3, activation_function: str = 'silu', batch_norm_eps: float = 1e-05, dropout: float | int = 0.0, decoder_ffn_dim: int = 2048, decoder_n_points: int = 4, decoder_layers: int = 3, decoder_self_attention_heads: int = 8, decoder_cross_attention_heads: int = 16, decoder_activation_function: str = 'relu', num_queries: int = 300, attention_bias: bool = True, attention_dropout: float | int = 0.0, activation_dropout: float | int = 0.0, group_detr: int = 13, init_std: float = 0.02, disable_custom_kernels: bool = True, class_cost: int | float = 2, bbox_cost: int | float = 5, giou_cost: int | float = 2, class_loss_coefficient: int | float = 1, dice_loss_coefficient: int | float = 1, bbox_loss_coefficient: int | float = 5, giou_loss_coefficient: int | float = 2, eos_coefficient: float = 0.1, focal_alpha: float = 0.25, auxiliary_loss: bool = True, d_model: int = 256) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/configuration_lw_detr.py#L109) **Tham số:** backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone. projector_scale_factors (`list[float]`, *optional*, mặc định là `[]`) : Các hệ số tỷ lệ cho mạng pyramid đặc trưng. Mỗi hệ số tỷ lệ xác định độ phân giải của các đặc trưng ở các mức khác nhau. Các giá trị được hỗ trợ là 0.5, 1.0 và 2.0. hidden_expansion (`float`, *tuỳ chọn*, mặc định là 0.5) : Hệ số mở rộng cho các chiều ẩn trong các lớp projector. c2f_num_blocks (`int`, *tuỳ chọn*, mặc định là 3) : Số lượng khối trong lớp C2F. activation_function (`str`, *tùy chọn*, mặc định là `"silu"`) : Hàm kích hoạt phi tuyến tính trong bộ chiếu. Các giá trị được hỗ trợ là `"silu"`, `"relu"`, `"gelu"`. batch_norm_eps (`float`, *optional*, mặc định là 1e-05) : Giá trị epsilon cho các lớp batch normalization. dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ cho tất cả các lớp dropout. decoder_ffn_dim (`int`, *tuỳ chọn*, mặc định là 2048) : Kích thước của lớp "trung gian" (thường được gọi là feed-forward) trong bộ giải mã. decoder_n_points (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng các key được lấy mẫu ở mỗi cấp độ đặc trưng cho mỗi đầu chú ý trong bộ giải mã. decoder_layers (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng lớp ẩn trong bộ giải mã Transformer. Sẽ sử dụng cùng giá trị với `num_layers` nếu không được đặt. decoder_self_attention_heads (`int`, *tuỳ chọn*, mặc định là 8) : Số lượng đầu chú ý cho mỗi lớp chú ý trong tự chú ý của bộ giải mã. decoder_cross_attention_heads (`int`, *tuỳ chọn*, mặc định là 16) : Số lượng đầu chú ý cho mỗi lớp chú ý trong cross-attention của bộ giải mã. decoder_activation_function (`str`, *tùy chọn*, mặc định là `"relu"`) : Hàm kích hoạt phi tuyến tính trong bộ giải mã. Các giá trị được hỗ trợ là `"relu"`, `"silu"`, `"gelu"`. num_queries (`int`, *tuỳ chọn*, mặc định là 300) : Số lượng truy vấn đối tượng, tức là các khe phát hiện. Đây là số lượng đối tượng tối đa mà [LwDetrModel](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrModel) có thể phát hiện trong một hình ảnh duy nhất. attention_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không. 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. group_detr (`int`, *optional*, mặc định là 13) : Số lượng nhóm cho cơ chế chú ý Group DETR, giúp giảm độ phức tạp tính toán. init_std (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. disable_custom_kernels (`bool`, *tùy chọn*, mặc định là `True`) : Vô hiệu hóa việc sử dụng các kernel CUDA và CPU tùy chỉnh. Tùy chọn này là cần thiết cho việc xuất ONNX, vì các kernel tùy chỉnh không được hỗ trợ bởi PyTorch ONNX export. class_cost (`Union[int, float]`, *tùy chọn*, mặc định là `2`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian. bbox_cost (`Union[int, float]`, *tùy chọn*, mặc định là `5`) : Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian. giou_cost (`Union[int, float]`, *tùy chọn*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian. class_loss_coefficient (`float`, *optional*, mặc định là 1) : Trọng số tương đối của tổn thất phân loại trong chi phí khớp Hungarian. dice_loss_coefficient (`Union[int, float]`, *tùy chọn*, mặc định là `1`) : Trọng số tương đối của dice loss trong panoptic segmentation loss. bbox_loss_coefficient (`Union[int, float]`, *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 (`Union[int, float]`, *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. focal_alpha (`float`, *tuỳ chọn*, mặc định là `0.25`) : Tham số Alpha trong focal loss. auxiliary_loss (`bool`, *tùy chọn*, mặc định là `True`) : Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không. d_model (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các lớp encoder và lớp pooler. Đây là lớp cấu hình để lưu trữ cấu hình của một LwDetrModel. Nó được sử dụng để khởi tạo một mô hình Lw 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 [AnnaZhang/lwdetr_small_60e_coco](https://huggingface.co/AnnaZhang/lwdetr_small_60e_coco) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. Ví dụ: ```python >>> from transformers import LwDetrConfig, LwDetrModel >>> # Initializing a LW-DETR AnnaZhang/lwdetr_small_60e_coco style configuration >>> configuration = LwDetrConfig() >>> # Initializing a model (with random weights) from the AnnaZhang/lwdetr_small_60e_coco style configuration >>> model = LwDetrModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config ``` ## LwDetrViTConfig[[transformers.LwDetrViTConfig]] #### transformers.LwDetrViTConfig[[transformers.LwDetrViTConfig]] ```python transformers.LwDetrViTConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, num_hidden_layers: int = 12, num_attention_heads: int = 12, mlp_ratio: int = 4, hidden_act: str = 'gelu', dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-06, image_size: int | list[int] | tuple[int, int] = 256, pretrain_image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, num_channels: int = 3, qkv_bias: bool = True, window_block_indices: list[int] | tuple[int, ...] = (), use_absolute_position_embeddings: bool = True, _out_features: list[str] | None = None, _out_indices: list[int] | None = None, cae_init_values: float = 0.1, num_windows: int = 16) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/configuration_lw_detr.py#L35) **Tham số:** hidden_size (`int`, *optional*, mặc định là `768`) : Kích thước của các biểu diễn ẩn. num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `12`) : Số lượng lớp ẩn trong bộ giải mã Transformer. num_attention_heads (`int`, *tùy chọn*, mặc định là `12`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. mlp_ratio (`int`, *tuỳ chọn*, mặc định là `4`) : Tỷ lệ giữa chiều ẩn của MLP và chiều nhúng. hidden_act (`str`, *tùy chọn*, mặc định là `gelu`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v. dropout_prob (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ cho tất cả các lớp dropout. initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-06`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization). image_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `256`) : Kích thước (độ phân giải) của mỗi hình ảnh. pretrain_image_size (`int`, *tuỳ chọn*, mặc định là 224) : Kích thước (độ phân giải) của mỗi hình ảnh trong quá trình tiền huấn luyện. patch_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `16`) : Kích thước (độ phân giải) của mỗi patch. num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào. qkv_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có thêm bias vào queries, keys và values hay không. window_block_indices (`list[int]`, *tùy chọn*, mặc định là `[]`) : Danh sách các chỉ số của các khối nên sử dụng window attention thay vì self-attention toàn cục thông thường. use_absolute_position_embeddings (`bool`, *tùy chọn*, mặc định là `True`) : Có thêm các embedding vị trí tuyệt đối vào các embedding patch hay không. cae_init_values (`float`, *tuỳ chọn*, mặc định là 0.1) : Giá trị khởi tạo cho các tham số CAE khi `use_cae` được bật. num_windows (`int`, *optional*, mặc định là 16) : Số lượng cửa sổ cho chú ý dựa trên cửa sổ. Phải là một số chính phương và kích thước ảnh phải chia hết cho căn bậc hai của giá trị này. Điều này cho phép tổ chức hiệu quả bản đồ đặc trưng theo thứ tự cửa sổ. Đây là lớp cấu hình để lưu trữ cấu hình của một LwDetrModel. Nó được sử dụng để khởi tạo một mô hình Lw 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 [AnnaZhang/lwdetr_small_60e_coco](https://huggingface.co/AnnaZhang/lwdetr_small_60e_coco) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. Ví dụ: ```python >>> from transformers import LwDetrViTConfig, LwDetrViTModel >>> # Initializing a LW-DETR ViT configuration >>> configuration = LwDetrViTConfig() >>> # Initializing a model (with random weights) from the configuration >>> model = LwDetrViTModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config ``` ## LwDetrModel[[transformers.LwDetrModel]] #### transformers.LwDetrModel[[transformers.LwDetrModel]] ```python transformers.LwDetrModel(config: LwDetrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L1204) **Tham số:** config ([LwDetrConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình. Mô hình LW Detr cơ bản (gồm một backbone và một Transformer decoder) xuất ra các hidden-state thô mà không có bất kỳ head cụ thể nào ở phía trên. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.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 ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.LwDetrModel.forward]] ```python forward(pixel_values: Tensor = None, pixel_mask: typing.Optional[torch.LongTensor] = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L1310) **Tham số:** pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`, *tùy chọn*) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor). Xem [DeformableDetrImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor) để xử lý ảnh). pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**). [Mặt nạ chú ý là gì?](../glossary#attention-mask) **Trả về:** `LwDetrModelOutput` hoặc `tuple(torch.Tensor)` Một `LwDetrModelOutput` 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 ([LwDetrConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrConfig)) và đầu vào. Phương thức forward của [LwDetrModel](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrModel) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng. - **init_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã). - **intermediate_reference_points** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã). - **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Điểm số của các hộp bao dự đoán, trong đó `config.two_stage_num_proposals` hộp bao có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn đầu. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh). - **enc_outputs_coord_logits** (`torch.Tensor` có shape `(batch_size, sequence_length, 4)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ bounding box dự đoán ở giai đoạn đầu. - **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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 mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn. - **attentions** (`tuple[torch.Tensor, ...]`, *tùy 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 sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention. - **cross_attentions** (`tuple[torch.Tensor, ...]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple các `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. Ví dụ: ```python >>> from transformers import AutoImageProcessor, DeformableDetrModel >>> 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("AnnaZhang/lwdetr_small_60e_coco") >>> model = DeformableDetrModel.from_pretrained("AnnaZhang/lwdetr_small_60e_coco") >>> inputs = image_processor(images=image, return_tensors="pt") >>> outputs = model(**inputs) >>> last_hidden_states = outputs.last_hidden_state >>> list(last_hidden_states.shape) [1, 300, 256] ``` ## LwDetrForObjectDetection[[transformers.LwDetrForObjectDetection]] #### transformers.LwDetrForObjectDetection[[transformers.LwDetrForObjectDetection]] ```python transformers.LwDetrForObjectDetection(config: LwDetrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L1540) **Tham số:** config ([LwDetrConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình. Mô hình LW DETR (gồm một backbone và một decoder Transformer) với các đầu dò phát hiện đối tượng phía trên, dành cho các tác vụ như phát hiện COCO. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.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 ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.LwDetrForObjectDetection.forward]] ```python forward(pixel_values: Tensor = None, pixel_mask: typing.Optional[torch.LongTensor] = None, labels: list[dict] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L1554) **Tham số:** pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`, *tùy chọn*) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor). Xem [DeformableDetrImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor) để xử lý ảnh). pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**). [Mặt nạ chú ý là gì?](../glossary#attention-mask) labels (`list[Dict]` có độ dài `(batch_size,)`, *tùy chọn*) : Nhãn để tính toán tổn thất khớp hai phần. 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:** `LwDetrObjectDetectionOutput` hoặc `tuple(torch.Tensor)` Một `LwDetrObjectDetectionOutput` 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 ([LwDetrConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrConfig)) và đầu vào. Phương thức forward của [LwDetrForObjectDetection](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrForObjectDetection) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng. - **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp)) -- Tổng loss dưới dạng tổ hợp tuyến tính của negative log-likelihood (cross-entropy) cho dự đoán lớp và bounding box loss. 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 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 `~DeformableDetrProcessor.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. - **init_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã). - **intermediate_reference_points** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã). - **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Điểm số của các hộp bao dự đoán, trong đó `config.two_stage_num_proposals` hộp bao có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn đầu. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh). - **enc_outputs_coord_logits** (`torch.Tensor` có shape `(batch_size, sequence_length, 4)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ bounding box dự đoán ở giai đoạn đầu. - **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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 mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn. - **attentions** (`tuple[torch.Tensor, ...]`, *tùy 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 sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention. - **cross_attentions** (`tuple[torch.Tensor, ...]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple các `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. Ví dụ: ```python >>> from transformers import AutoImageProcessor, LwDetrForObjectDetection >>> 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("AnnaZhang/lwdetr_small_60e_coco") >>> model = LwDetrForObjectDetection.from_pretrained("AnnaZhang/lwdetr_small_60e_coco") >>> 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=0.5, 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 cat with confidence 0.8 at location [16.5, 52.84, 318.25, 470.78] Detected cat with confidence 0.789 at location [342.19, 24.3, 640.02, 372.25] Detected remote with confidence 0.633 at location [40.79, 72.78, 176.76, 117.25] ``` ## LwDetrViTBackbone[[transformers.LwDetrViTBackbone]] #### transformers.LwDetrViTBackbone[[transformers.LwDetrViTBackbone]] ```python transformers.LwDetrViTBackbone(config: LwDetrViTConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L342) **Tham số:** config ([LwDetrViTConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrViTConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình. Backbone của Lw Detr. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.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 ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.LwDetrViTBackbone.forward]] ```python forward(pixel_values: Tensor, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/lw_detr/modeling_lw_detr.py#L356) **Tham số:** pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor). Xem [DeformableDetrImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [DeformableDetrImageProcessor](/docs/transformers/main/vi/model_doc/deformable_detr#transformers.DeformableDetrImageProcessor) để xử lý ảnh). **Trả về:** `BackboneOutput` hoặc `tuple(torch.Tensor)` Một `BackboneOutput` 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 ([LwDetrConfig](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrConfig)) và đầu vào. Phương thức forward của [LwDetrViTBackbone](/docs/transformers/main/vi/model_doc/lw_detr#transformers.LwDetrViTBackbone) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng. - **feature_maps** (`tuple(torch.Tensor)` có hình dạng `(batch_size, num_channels, height, width)`) -- Bản đồ đặc trưng của các giai đoạn. - **hidden_states** (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi truyền `output_hidden_states=True` hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)` hoặc `(batch_size, num_channels, height, width)`, tùy thuộc vào backbone. Trạng thái ẩn của mô hình tại đầu ra của mỗi giai đoạn cùng với đầu ra của embedding ban đầu. - **attentions** (`tuple(torch.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)`. Chỉ áp dụng nếu backbone sử dụng attention. Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention. Ví dụ: ```python >>> from transformers import LwDetrViTConfig, LwDetrViTBackbone >>> import torch >>> config = LwDetrViTConfig() >>> model = LwDetrViTBackbone(config) >>> pixel_values = torch.randn(1, 3, 224, 224) >>> with torch.no_grad(): ... outputs = model(pixel_values) >>> feature_maps = outputs.feature_maps >>> list(feature_maps[-1].shape) [1, 768, 14, 14] ```