# DETR [DETR](https://huggingface.co/papers/2005.12872) 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](https://huggingface.co/facebook/models?search=detr). > [!TIP] > Mô hình này được đóng góp bởi [nielsr](https://huggingface.co/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()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để thay thế các lớp được hỗ trợ bằng các kernel tối ưu từ Hub. Xem [Tải kernel](../kernel_doc/loading_kernels) để biết thêm. Ví dụ dưới đây minh họa cách thực hiện phát hiện đối tượng bằng lớp [Pipeline](/docs/transformers/v5.23.0/vi/main_classes/pipelines#transformers.Pipeline) hoặc lớp [AutoModel](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoModel). ```python from transformers import pipeline pipeline = pipeline( "object-detection", model="facebook/detr-resnet-50", 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("facebook/detr-resnet-50") model = AutoModelForObjectDetection.from_pretrained("facebook/detr-resnet-50", 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}") ``` Cách hoạt động của DETR Dưới đây là bản tóm tắt ngắn gọn giải thích cách [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](https://en.wikipedia.org/wiki/Hungarian_algorithm) 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](https://giou.stanford.edu/) (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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thêm một đầu phân đoạn mặt nạ (segmentation mask head) lên trên [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](https://github.com/facebookresearch/detr/blob/a54b77800eb8e64e3ad0d8237789fcbf2f8350c5/models/detr.py#L227-L232). - [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForObjectDetection) và [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) có thể được khởi tạo với bất kỳ backbone tích chập nào có sẵn trong [thư viện timm](https://github.com/rwightman/pytorch-image-models). Ví dụ, để khởi tạo với backbone MobileNet, bạn có thể đặt thuộc tính `backbone` của [DetrConfig](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](https://github.com/facebookresearch/detr/issues/150) 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 ```python 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 ```python 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 ```python config = DetrConfig() model = DetrForObjectDetection(config) ``` Tóm lại, hãy xem bảng sau: | Nhiệm vụ | Phát hiện đối tượng | Phân đoạn đối tượng | Phân đoạn toàn cảnh | |------|------------------|-----------------------|-----------------------| | **Mô tả** | Dự đoán các hộp bao quanh và nhãn lớp cho các đối tượng trong một hình ảnh | Dự đoán các mặt nạ quanh các đối tượng (tức là các thể) trong một hình ảnh | Dự 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 hình** | [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForObjectDetection) | [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) | [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) | | **Dataset mẫu** | Phát hiện COCO | Phát hiện COCO, panoptic COCO | COCO panoptic | | **Định dạng chú thích để cung cấp cho** [DetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor) | {'image_id': `int`, 'annotations': `list[Dict]`} 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` | | **evaluators** | `CocoEvaluator` 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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](https://github.com/facebookresearch/detr). Xem [notebook ví dụ](https://github.com/NielsRogge/Transformers-Tutorials/tree/master/DETR) để biết thêm thông tin về đánh giá. ## Tài nguyên - Tham khảo các [notebook](https://github.com/NielsRogge/Transformers-Tutorials/tree/master/DETR) này để xem ví dụ về fine-tuning [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForObjectDetection) và [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) trên một tập dữ liệu tùy chỉnh. ## DetrConfig[[transformers.DetrConfig]] #### transformers.DetrConfig[[transformers.DetrConfig]] ```python transformers.DetrConfig(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, 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, is_encoder_decoder: bool = True, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, num_channels: int = 3, num_queries: int = 100, encoder_layers: int = 6, encoder_ffn_dim: int = 2048, encoder_attention_heads: int = 8, decoder_layers: int = 6, decoder_ffn_dim: int = 2048, decoder_attention_heads: int = 8, encoder_layerdrop: float | int = 0.0, decoder_layerdrop: float | int = 0.0, activation_function: str = 'relu', d_model: int = 256, dropout: float | int = 0.1, attention_dropout: float | int = 0.0, activation_dropout: float | int = 0.0, init_std: float = 0.02, init_xavier_std: float = 1.0, auxiliary_loss: bool = False, position_embedding_type: str = 'sine', dilation: bool = False, class_cost: int = 1, bbox_cost: int = 5, giou_cost: int = 2, mask_loss_coefficient: int = 1, dice_loss_coefficient: int = 1, bbox_loss_coefficient: int = 5, giou_loss_coefficient: int = 2, eos_coefficient: float = 0.1) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/configuration_detr.py#L25) **Tham số:** is_encoder_decoder (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có được sử dụng như một bộ mã hóa/giải mã hay không. backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone. num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào. num_queries (`int`, *optional*, 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](/docs/transformers/v5.23.0/vi/model_doc/conditional_detr#transformers.ConditionalDetrModel) có thể phát hiện trong một hình ảnh duy nhất. Đối với COCO, chúng tôi khuyến nghị sử dụng 100 truy vấn. encoder_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ mã hóa Transformer. Sẽ sử dụng cùng giá trị với `num_layers` nếu không được đặt. encoder_ffn_dim (`int`, *optional*, mặc định là `2048`) : Chiều của lớp "intermediate" (thường được gọi là feed-forward) trong encoder. encoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer. decoder_layers (`int`, *tuỳ 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`, *tuỳ chọn*, mặc định là `2048`) : Độ lớn chiều của lớp "trung gian" (thường được gọi là lớp feed-forward) trong bộ giải mã. decoder_attention_heads (`int`, *tuỳ 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 encoder. Xem [bài báo LayerDrop](see 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](see 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 tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v. d_model (`int`, *tuỳ 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`, *optional*, 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`, *tùy 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 embeddings được sử dụng trên các đặc trưng hình ảnh. Một trong `"sine"` hoặc `"learned"`. dilation (`bool`, *tuỳ 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`, *optional*, mặc định là `1`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian. bbox_cost (`int`, *optional*, mặc định là `5`) : Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian. giou_cost (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian. mask_loss_coefficient (`int`, *optional*, mặc định là `1`) : Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic. dice_loss_coefficient (`int`, *tuỳ chọn*, mặc định là `1`) : Trọng số tương đối của dice loss trong panoptic segmentation loss. bbox_loss_coefficient (`int`, *tuỳ 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`, *optional*, 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](https://huggingface.co/facebook/detr-resnet-50) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/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/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. Ví dụ: ```python >>> 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[[transformers.DetrImageProcessor]] #### transformers.DetrImageProcessor[[transformers.DetrImageProcessor]] ```python transformers.DetrImageProcessor(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L426) **Tham số:** do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có 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*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng 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*, 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`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có 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*, *optional*, mặc định là `True`) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng 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 (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : 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*, *optional*) : 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 sau: - `"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 (height, width). 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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có 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, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : 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*, *tuỳ chọn*, 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 chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao quanh 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[[transformers.DetrImageProcessor.preprocess]] ```python 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 = None, return_segmentation_masks: bool | None = None, masks_path: str | pathlib.Path | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L681) **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 có 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 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 chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *optional*) : Xác định 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 dùng 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 resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình 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*) : Xác định có 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 (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : 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*, *optional*) : 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 sau: - `"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 (height, width). 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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có 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, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : 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*, *tuỳ chọn*, 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 chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao quanh 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 tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo. #### post_process_object_detection[[transformers.DetrImageProcessor.post_process_object_detection]] ```python post_process_object_detection(outputs, threshold: float = 0.5, target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L823) **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]]`, *tùy chọn*) : Tensor có shape `(batch_size, 2)` hoặc danh sách các tuple (`tuple[int, int]`) chứa kích thước đích `(height, width)` của mỗi hình 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 dữ liệu, như được dự đoán bởi mô hình. Chuyển đổi đầu ra thô của [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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[[transformers.DetrImageProcessor.post_process_semantic_segmentation]] ```python post_process_semantic_segmentation(outputs, target_sizes: list[tuple[int, int]] | None = None, return_segmentation_scores: bool = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L876) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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 mỗi hình ảnh trong lô. 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` (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), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch. #### post_process_instance_segmentation[[transformers.DetrImageProcessor.post_process_instance_segmentation]] ```python post_process_instance_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, target_sizes: list[tuple[int, int]] | None = None, return_coco_annotation: bool | None = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L947) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation)) : Đầu ra thô của mô hình. threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán. mask_threshold (`float`, *optional*, 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`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo 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 phân đoạn. - **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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các dự đoán phân đoạn thực thể. Chỉ hỗ trợ PyTorch. #### post_process_panoptic_segmentation[[transformers.DetrImageProcessor.post_process_panoptic_segmentation]] ```python post_process_panoptic_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, label_ids_to_fuse: set[int] | None = None, target_sizes: list[tuple[int, int]] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_detr.py#L1030) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation)) : Đầu ra từ [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation). threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán. mask_threshold (`float`, *optional*, 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`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo 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 cho bầu trời sẽ nằm trong tập hợp đó, nhưng ID cho người thì không. target_sizes (`list[Tuple]`, *optional*) : 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 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 để khớp với mục `target_sizes` tương ứng. - **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn. - **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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các dự đoán phân đoạn panoptic cho ảnh. Chỉ hỗ trợ PyTorch. ## DetrImageProcessorPil[[transformers.DetrImageProcessorPil]] #### transformers.DetrImageProcessorPil[[transformers.DetrImageProcessorPil]] ```python transformers.DetrImageProcessorPil(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L432) **Tham số:** do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có 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*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng 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*, 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`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có 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*, *optional*, mặc định là `True`) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng 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 (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : 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*, *optional*) : 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 sau: - `"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 (height, width). 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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có 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, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : 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*, *tuỳ chọn*, 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 chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao quanh 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[[transformers.DetrImageProcessorPil.preprocess]] ```python 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 = None, return_segmentation_masks: bool | None = None, masks_path: str | pathlib.Path | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L700) **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 có 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 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 chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *optional*) : Xác định 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 dùng 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 resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình 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*) : Xác định có 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 (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : 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*, *optional*) : 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 sau: - `"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 (height, width). 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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có 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, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : 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*, *tuỳ chọn*, 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 chú thích sang định dạng mà mô hình DETR mong đợi hay không. Chuyển đổi các hộp bao quanh 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 tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo. #### post_process_object_detection[[transformers.DetrImageProcessorPil.post_process_object_detection]] ```python post_process_object_detection(outputs, threshold: float = 0.5, target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L845) **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]]`, *tùy chọn*) : Tensor có shape `(batch_size, 2)` hoặc danh sách các tuple (`tuple[int, int]`) chứa kích thước đích `(height, width)` của mỗi hình 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 dữ liệu, như được dự đoán bởi mô hình. Chuyển đổi đầu ra thô của [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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[[transformers.DetrImageProcessorPil.post_process_semantic_segmentation]] ```python post_process_semantic_segmentation(outputs, target_sizes: list[tuple[int, int]] | None = None, return_segmentation_scores: bool = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L899) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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 mỗi hình ảnh trong lô. 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` (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), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch. #### post_process_instance_segmentation[[transformers.DetrImageProcessorPil.post_process_instance_segmentation]] ```python post_process_instance_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, target_sizes: list[tuple[int, int]] | None = None, return_coco_annotation: bool | None = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L971) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation)) : Đầu ra thô của mô hình. threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán. mask_threshold (`float`, *optional*, 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`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo 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 phân đoạn. - **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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các dự đoán phân đoạn thực thể. Chỉ hỗ trợ PyTorch. #### post_process_panoptic_segmentation[[transformers.DetrImageProcessorPil.post_process_panoptic_segmentation]] ```python post_process_panoptic_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, label_ids_to_fuse: set[int] | None = None, target_sizes: list[tuple[int, int]] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/image_processing_pil_detr.py#L1055) **Tham số:** outputs ([DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation)) : Đầu ra từ [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation). threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán. mask_threshold (`float`, *optional*, 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`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo 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 cho bầu trời sẽ nằm trong tập hợp đó, nhưng ID cho người thì không. target_sizes (`list[Tuple]`, *optional*) : 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 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 để khớp với mục `target_sizes` tương ứng. - **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn. - **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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation) thành các dự đoán phân đoạn panoptic cho ảnh. Chỉ hỗ trợ PyTorch. ## Đầu ra cụ thể của DETR[[transformers.models.detr.modeling_detr.DetrModelOutput]] #### transformers.models.detr.modeling_detr.DetrModelOutput[[transformers.models.detr.modeling_detr.DetrModelOutput]] ```python transformers.models.detr.modeling_detr.DetrModelOutput(last_hidden_state: typing.Optional[torch.Tensor] = None, past_key_values: transformers.cache_utils.EncoderDecoderCache | None = None, decoder_hidden_states: tuple[torch.Tensor, ...] | None = None, decoder_attentions: tuple[torch.Tensor, ...] | None = None, cross_attentions: tuple[torch.Tensor, ...] | None = None, encoder_last_hidden_state: typing.Optional[torch.Tensor] = None, encoder_hidden_states: tuple[torch.Tensor, ...] | None = None, encoder_attentions: tuple[torch.Tensor, ...] | None = None, intermediate_hidden_states: typing.Optional[torch.Tensor] = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L76) **Tham số:** last_hidden_state (`torch.Tensor` có shape `(batch_size, sequence_length, hidden_size)`) : Chuỗi hidden-states tại đầu ra của lớp cuối cùng của decoder của model. Nếu `past_key_values` được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi với shape `(batch_size, 1, hidden_size)` được đưa 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](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.EncoderDecoderCache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Chứa các hidden-states đã được tính toán trước (key và values trong các khối self-attention và 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)`, *tùy 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)`. Hidden-states của decoder tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn. 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)`, *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 lớp cross-attention của decoder, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý cross-attention. encoder_last_hidden_state (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder trong mô hình. encoder_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`) : 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)`. Hidden-states của encoder tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn. encoder_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 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 shape `(config.decoder_layers, batch_size, sequence_length, hidden_size)`, *tuỳ chọn*, được trả về khi `config.auxiliary_loss=True`) : Các kích hoạt trung gian của decoder, tức là đầu ra của từng lớp decoder, 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 đã đi qua layernorm. Điều này hữu ích khi huấn luyện mô hình với các tổn thất giải mã bổ trợ. #### transformers.models.detr.modeling_detr.DetrObjectDetectionOutput[[transformers.models.detr.modeling_detr.DetrObjectDetectionOutput]] ```python transformers.models.detr.modeling_detr.DetrObjectDetectionOutput(loss: typing.Optional[torch.Tensor] = None, loss_dict: dict | None = None, logits: typing.Optional[torch.Tensor] = None, pred_boxes: typing.Optional[torch.Tensor] = None, auxiliary_outputs: list[dict] | None = None, last_hidden_state: typing.Optional[torch.Tensor] = None, decoder_hidden_states: tuple[torch.Tensor] | None = None, decoder_attentions: tuple[torch.Tensor] | None = None, cross_attentions: tuple[torch.Tensor] | None = None, encoder_last_hidden_state: typing.Optional[torch.Tensor] = None, encoder_hidden_states: tuple[torch.Tensor] | None = None, encoder_attentions: tuple[torch.Tensor] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L92) **Tham số:** 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 tổn thất riêng lẻ. Hữu ích cho việc ghi log. logits (`torch.Tensor` có hình dạng `(batch_size, num_queries, num_classes + 1)`) : Logit phân loại (bao gồm không có đối tượng) cho tất cả các truy vấn. pred_boxes (`torch.Tensor` có shape `(batch_size, num_queries, 4)`) : Tọa độ hộp bao (bounding box) 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 ảnh riêng lẻ trong batch (bỏ qua padding nếu có). Bạn có thể sử dụng [post_process_object_detection()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_object_detection) để lấy các hộp bao 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 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 hidden-states tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình. decoder_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`) : 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)`. Hidden-states của decoder tại đầu ra của mỗi lớp cùng với đầu ra embedding 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]`, *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 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 cross-attention. encoder_last_hidden_state (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder trong mô hình. encoder_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`) : 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)`. Hidden-states của encoder tại đầu ra của mỗi lớp cùng với đầu ra embedding ban đầu. encoder_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 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForObjectDetection). #### transformers.models.detr.modeling_detr.DetrSegmentationOutput[[transformers.models.detr.modeling_detr.DetrSegmentationOutput]] ```python transformers.models.detr.modeling_detr.DetrSegmentationOutput(loss: typing.Optional[torch.Tensor] = None, loss_dict: dict | None = None, logits: typing.Optional[torch.Tensor] = None, pred_boxes: typing.Optional[torch.Tensor] = None, pred_masks: typing.Optional[torch.Tensor] = None, auxiliary_outputs: list[dict] | None = None, last_hidden_state: typing.Optional[torch.Tensor] = None, decoder_hidden_states: tuple[torch.Tensor] | None = None, decoder_attentions: tuple[torch.Tensor] | None = None, cross_attentions: tuple[torch.Tensor] | None = None, encoder_last_hidden_state: typing.Optional[torch.Tensor] = None, encoder_hidden_states: tuple[torch.Tensor] | None = None, encoder_attentions: tuple[torch.Tensor] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L135) **Tham số:** 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 tổn thất riêng lẻ. Hữu ích cho việc ghi log. logits (`torch.Tensor` có hình dạng `(batch_size, num_queries, num_classes + 1)`) : Logit phân loại (bao gồm không có đối tượng) cho tất cả các truy vấn. pred_boxes (`torch.Tensor` có shape `(batch_size, num_queries, 4)`) : Tọa độ hộp bao (bounding box) 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 ảnh riêng lẻ trong batch (bỏ qua padding nếu có). Bạn có thể sử dụng [post_process_object_detection()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_object_detection) để lấy các hộp bao chưa được chuẩn hóa. pred_masks (`torch.Tensor` có shape `(batch_size, num_queries, height/4, width/4)`) : Logits của các mặt nạ phân đoạn cho tất cả các truy vấn. Xem thêm [post_process_semantic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_semantic_segmentation) hoặc [post_process_instance_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_instance_segmentation) [post_process_panoptic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_panoptic_segmentation) để đánh giá các mặt nạ 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 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 hidden-states tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình. decoder_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`) : 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)`. Hidden-states của decoder tại đầu ra của mỗi lớp cùng với đầu ra embedding 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]`, *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 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 cross-attention. encoder_last_hidden_state (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder trong mô hình. encoder_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`) : 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)`. Hidden-states của encoder tại đầu ra của mỗi lớp cùng với đầu ra embedding ban đầu. encoder_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 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrForSegmentation). ## DetrModel[[transformers.DetrModel]] #### transformers.DetrModel[[transformers.DetrModel]] ```python transformers.DetrModel(config: DetrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1115) **Tham số:** config ([DetrConfig](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrConfig)) : 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/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.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 phía trên. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/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.DetrModel.forward]] ```python forward(pixel_values: typing.Optional[torch.Tensor] = None, pixel_mask: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.Tensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1144) **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 `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh). pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện 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) decoder_attention_mask (`torch.Tensor` có shape `(batch_size, num_queries)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các query **không bị che**, - 0 cho các query **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 shape `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền feature map đã được làm phẳng (đầu ra của backbone + projection layer), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của một 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 nhúng. Hữu ích cho các tác vụ yêu cầu khởi tạo query tùy chỉnh. **Trả về:** [DetrModelOutput](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrModelOutput) hoặc `tuple(torch.Tensor)` Một [DetrModelOutput](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrModelOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào. Phương thức forward của [DetrModel](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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, 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. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các trạng thái ẩn (hidden-states) 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](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.EncoderDecoderCache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/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`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`. Trạng thái ẩn của bộ 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 `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 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 các `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`. Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với các đầu ra nhúng ban đầu tùy chọn. - **encoder_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 của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự thân. - **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: ```python >>> 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[[transformers.DetrForObjectDetection]] #### transformers.DetrForObjectDetection[[transformers.DetrForObjectDetection]] ```python transformers.DetrForObjectDetection(config: DetrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1309) **Tham số:** config ([DetrConfig](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrConfig)) : 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/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.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](/docs/transformers/v5.23.0/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.DetrForObjectDetection.forward]] ```python forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.Tensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1327) **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 `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh). pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện 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) decoder_attention_mask (`torch.Tensor` có shape `(batch_size, num_queries)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các query **không bị che**, - 0 cho các query **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 shape `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền feature map đã được làm phẳng (đầu ra của backbone + projection layer), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của một 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 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. 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](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrObjectDetectionOutput) hoặc `tuple(torch.Tensor)` Một [DetrObjectDetectionOutput](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrObjectDetectionOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào. Phương thức forward của [DetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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, 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 chứa 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()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_object_detection) để lấy các hộp chứa 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`) -- 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 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`) -- 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 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 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 thân. Ví dụ: ```python >>> 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[[transformers.DetrForSegmentation]] #### transformers.DetrForSegmentation[[transformers.DetrForSegmentation]] ```python transformers.DetrForSegmentation(config: DetrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1441) **Tham số:** config ([DetrConfig](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrConfig)) : 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/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.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](/docs/transformers/v5.23.0/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.DetrForSegmentation.forward]] ```python forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.Tensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/detr/modeling_detr.py#L1463) **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 `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh). pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện 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) decoder_attention_mask (`torch.Tensor` có shape `(batch_size, num_queries)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên một số object queries nhất định trong decoder. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các query **không bị che**, - 0 cho các query **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 shape `(batch_size, sequence_length, hidden_size)`, *tuỳ chọn*) : Được giữ lại để đảm bảo tương thích ngược, nhưng không thể dùng 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 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), tổn thất DICE/F-1 và tổn thất Focal. Danh sách các từ điển, mỗi từ điển chứa ít nhất 3 khóa sau: 'class_labels', 'boxes' và 'masks' (lần lượt là nhãn lớp, hộp bao (bounding boxes) và mặt nạ phân đoạn (segmentation masks) 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,)`, các hộp bao là một `torch.Tensor` có hình dạng `(number of bounding boxes in the image, 4)` và các mặt nạ là một `torch.Tensor` có hình dạng `(number of bounding boxes in the image, height, width)`. **Trả về:** [DetrSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrSegmentationOutput) hoặc `tuple(torch.Tensor)` Một [DetrSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.models.detr.modeling_detr.DetrSegmentationOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào. Phương thức forward của [DetrForSegmentation](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.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, 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 chứa 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()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_object_detection) để lấy các hộp chứa 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()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_semantic_segmentation) hoặc [post_process_instance_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.post_process_instance_segmentation) [post_process_panoptic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/detr#transformers.DetrImageProcessor.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`) -- 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 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`) -- 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 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 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 thân. Ví dụ: ```python >>> 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 ```