Transformers documentation
Grounding DINO
Mô hình này được công bố trên HF papers vào ngày 09-03-2023 và được đóng góp cho Hugging Face Transformers vào ngày 11-04-2024.
Grounding DINO
Tổng quan
Mô hình Grounding DINO được đề xuất trong Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection của Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang, Jie Yang, Chunyuan Li, Jianwei Yang, Hang Su, Jun Zhu, Lei Zhang. Grounding DINO mở rộng mô hình phát hiện đối tượng đóng bằng một bộ mã hóa văn bản, cho phép phát hiện đối tượng mở. Mô hình đạt được những kết quả đáng kể, chẳng hạn như 52.5 AP trên COCO zero-shot.
Tóm tắt từ bài báo như sau:
Trong bài báo này, chúng tôi giới thiệu một bộ phát hiện đối tượng mở (open-set object detector) có tên là Grounding DINO, được xây dựng bằng cách kết hợp bộ phát hiện dựa trên Transformer DINO với huấn luyện trước có neo (grounded pre-training), cho phép phát hiện các đối tượng tùy ý dựa trên đầu vào của con người như tên danh mục hoặc các biểu thức tham chiếu. Giải pháp then chốt của phát hiện đối tượng mở là đưa ngôn ngữ vào một bộ phát hiện đóng (closed-set detector) để khái quát hóa khái niệm mở. Để tích hợp hiệu quả các phương thức ngôn ngữ và thị giác, về mặt khái niệm chúng tôi chia một bộ phát hiện đóng thành ba giai đoạn và đề xuất một giải pháp tích hợp chặt chẽ, bao gồm một bộ tăng cường đặc trưng, một cơ chế chọn truy vấn (query) có sự dẫn dắt của ngôn ngữ, và một bộ giải mã liên phương thức (cross-modality decoder) cho việc tích hợp liên phương thức. Trong khi các công trình trước đây chủ yếu đánh giá phát hiện đối tượng mở trên các danh mục mới (novel categories), chúng tôi đề xuất cũng thực hiện đánh giá trên việc hiểu biểu thức tham chiếu (referring expression comprehension) cho các đối tượng được chỉ định bằng thuộc tính. Grounding DINO hoạt động đặc biệt tốt trên cả ba cài đặt, bao gồm các bộ chuẩn (benchmark) trên COCO, LVIS, ODinW và RefCOCO/+/g. Grounding DINO đạt 52.5 AP trên bộ chuẩn chuyển giao zero-shot cho phát hiện COCO, tức là không sử dụng bất kỳ dữ liệu huấn luyện nào từ COCO. Nó thiết lập kỷ lục mới trên bộ chuẩn zero-shot ODinW với trung bình 26.1 AP.
Grounding DINO overview. Taken from the original paper. Mô hình này được đóng góp bởi EduardoPacheco và nielsr. Mã nguồn gốc có thể được tìm thấy tại đây.
Mẹo sử dụng
- Bạn có thể sử dụng GroundingDinoProcessor để chuẩn bị các cặp hình ảnh-văn bản cho mô hình.
- Để phân tách các lớp trong văn bản, hãy dùng dấu chấm, ví dụ: “a cat. a dog.”
- Khi sử dụng nhiều lớp (ví dụ:
"a cat. a dog."), hãy dùngpost_process_grounded_object_detectiontừ GroundingDinoProcessor để xử lý hậu kỳ các đầu ra. Vì các nhãn được trả về từpost_process_object_detectionđại diện cho các chỉ số từ chiều của mô hình nơi prob > threshold.
Dưới đây là cách sử dụng mô hình để phát hiện đối tượng zero-shot:
import requests
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForZeroShotObjectDetection
model_id = "IDEA-Research/grounding-dino-tiny"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForZeroShotObjectDetection.from_pretrained(model_id, device_map="auto")
image_url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(image_url, stream=True).raw)
# Check for cats and remote controls
text_labels = [["a cat", "a remote control"]]
inputs = processor(images=image, text=text_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
results = processor.post_process_grounded_object_detection(
outputs,
inputs.input_ids,
threshold=0.4,
text_threshold=0.3,
target_sizes=[image.size[::-1]]
)
# Retrieve the first image result
result = results[0]
for box, score, labels in zip(result["boxes"], result["scores"], result["labels"]):
box = [round(x, 2) for x in box.tolist()]
print(f"Detected {labels} with confidence {round(score.item(), 3)} at location {box}")
Detected a cat with confidence 0.468 at location [344.78, 22.9, 637.3, 373.62]
Detected a cat with confidence 0.426 at location [11.74, 51.55, 316.51, 473.22]Grounded SAM
Người dùng có thể kết hợp Grounding DINO với mô hình Segment Anything để tạo mask dựa trên văn bản như đã giới thiệu trong Grounded SAM: Assembling Open-World Models for Diverse Visual Tasks. Bạn có thể tham khảo notebook demo này 🌍 để biết thêm chi tiết.
Grounded SAM overview. Taken from the original repository. Tài nguyên
Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với Grounding DINO. Nếu bạn quan tâm đến việc gửi tài nguyên để được đưa vào đây, hãy thoải mái mở một Pull Request và chúng tôi sẽ xem xét! Tài nguyên lý tưởng nên minh họa điều gì đó mới thay vì sao chép một tài nguyên hiện có.
- Các notebook demo về suy luận với Grounding DINO cũng như kết hợp nó với SAM có thể được tìm thấy tại đây. 🌎
GroundingDinoImageProcessor
lớp transformers.GroundingDinoImageProcessor
< source >( **kwargs: *<class 'transformers.models.grounding_dino.image_processing_grounding_dino.GroundingDinoImageProcessorKwargs'> )
Tham số
- do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên thay đổi kích thước ảnh hay không. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là{'shortest_edge' -- 800, 'longest_edge': 1333}): Mô tả kích thước đầu vào tối đa cho mô hình. - default_to_square (
bool, kwargs, tuỳ chọn, mặc định làFalse) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là2) — 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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional, mặc định là0.00392156862745098) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên chuẩn hóa hình ảnh hay không. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là[0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng{"height": int, "width" int}để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. - format (
str, kwargs, optional, mặc định làAnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”. - do_convert_annotations (
bool, kwargs, optional, mặc định làTrue) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình GROUNDING_DINO mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) sang định dạng(center_x, center_y, width, height)và trong khoảng[0, 1]. Có thể ghi đè bằng tham sốdo_convert_annotationstrong phương thứcpreprocess.
Tạo bộ xử lý ảnh GroundingDinoImageProcessor.
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]annotations: dict[str, int | str | list[dict]] | list[dict[str, int | str | list[dict]]] | None = Nonereturn_segmentation_masks: bool | None = Nonemasks_path: str | pathlib.Path | None = None**kwargs: *<class 'transformers.models.grounding_dino.image_processing_grounding_dino.GroundingDinoImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature
Tham số
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặtdo_rescale=False. - annotations (
AnnotationTypehoặclist[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 làself.return_segmentation_masks) — Có nên trả về các mặt nạ phân đoạn hay không. - masks_path (
strhoặcpathlib.Path, tùy chọn) — Đường dẫn đến thư mục chứa các mặt nạ phân đoạn. - do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình. - default_to_square (
bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng{"height": int, "width" int}để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. - format (
str, kwargs, optional, mặc định làAnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”. - do_convert_annotations (
bool, kwargs, optional, mặc định làTrue) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình GROUNDING_DINO mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) sang định dạng(center_x, center_y, width, height)và trong khoảng[0, 1]. Có thể ghi đè bằng tham sốdo_convert_annotationstrong phương thứcpreprocess.
Trả về
~image_processing_base.BatchFeature
- data (
dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.). - tensor_type (
Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.
GroundingDinoImageProcessorPil
lớp transformers.GroundingDinoImageProcessorPil
< source >( **kwargs: *<class 'transformers.models.grounding_dino.image_processing_pil_grounding_dino.GroundingDinoImageProcessorKwargs'> )
Tham số
- do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên thay đổi kích thước ảnh hay không. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là{'shortest_edge' -- 800, 'longest_edge': 1333}): Mô tả kích thước đầu vào tối đa cho mô hình. - default_to_square (
bool, kwargs, tuỳ chọn, mặc định làFalse) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là2) — 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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional, mặc định là0.00392156862745098) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên chuẩn hóa hình ảnh hay không. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là[0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng{"height": int, "width" int}để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. - format (
str, kwargs, optional, mặc định làAnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”. - do_convert_annotations (
bool, kwargs, optional, mặc định làTrue) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình GROUNDING_DINO mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) sang định dạng(center_x, center_y, width, height)và trong khoảng[0, 1]. Có thể ghi đè bằng tham sốdo_convert_annotationstrong phương thứcpreprocess.
Tạo bộ xử lý ảnh GroundingDinoImageProcessor.
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]annotations: dict[str, int | str | list[dict]] | list[dict[str, int | str | list[dict]]] | None = Nonereturn_segmentation_masks: bool | None = Nonemasks_path: str | pathlib.Path | None = None**kwargs: *<class 'transformers.models.grounding_dino.image_processing_pil_grounding_dino.GroundingDinoImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature
Tham số
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặtdo_rescale=False. - annotations (
AnnotationTypehoặclist[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 làself.return_segmentation_masks) — Có nên trả về các mặt nạ phân đoạn hay không. - masks_path (
strhoặcpathlib.Path, tùy chọn) — Đường dẫn đến thư mục chứa các mặt nạ phân đoạn. - do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình. - default_to_square (
bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng{"height": int, "width" int}để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. - format (
str, kwargs, optional, mặc định làAnnotationFormat.COCO_DETECTION) — Định dạng dữ liệu của các chú thích. Một trong “coco_detection” hoặc “coco_panoptic”. - do_convert_annotations (
bool, kwargs, optional, mặc định làTrue) — Kiểm soát việc có chuyển đổi các chú thích sang định dạng mà mô hình GROUNDING_DINO mong đợi hay không. Chuyển đổi các hộp bao (bounding boxes) sang định dạng(center_x, center_y, width, height)và trong khoảng[0, 1]. Có thể ghi đè bằng tham sốdo_convert_annotationstrong phương thứcpreprocess.
Trả về
~image_processing_base.BatchFeature
- data (
dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.). - tensor_type (
Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.
post_process_object_detection
< source >( outputs: GroundingDinoObjectDetectionOutputthreshold: float = 0.1target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None ) → list[Dict]
Tham số
- outputs (
GroundingDinoObjectDetectionOutput) — Đầu ra thô của mô hình. - threshold (
float, tùy chọn, mặc định là 0.1) — Ngưỡng điểm để giữ lại các dự đoán phát hiện đối tượng. - target_sizes (
torch.Tensorhoặclist[tuple[int, int]], tuỳ chọn) — Tensor có shape(batch_size, 2)hoặc danh sách các tuple (tuple[int, int]) chứa kích thước đích(height, width)của từng ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.
Trả về
list[Dict]
Một danh sách các từ điển, mỗi từ điển chứa các khóa sau:
- “scores”: Điểm tin cậy cho mỗi hộp dự đoán trên hình ảnh.
- “labels”: Chỉ số của các lớp do mô hình dự đoán trên hình ảnh.
- “boxes”: Hộp bao quanh hình ảnh theo định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y).
Chuyển đổi đầu ra thô của GroundingDinoForObjectDetection thành các hộp bao cuối cùng ở định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y).
GroundingDinoProcessor
lớp transformers.GroundingDinoProcessor
< source >( image_processortokenizer )
Tạo một GroundingDinoProcessor đóng gói một bộ xử lý ảnh và một tokenizer thành một bộ xử lý duy nhất.
GroundingDinoProcessor cung cấp đầy đủ các chức năng của GroundingDinoImageProcessor và BertTokenizer. Xem ~GroundingDinoImageProcessor và ~BertTokenizer để biết thêm thông tin.
__call__
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonetext: str | list[str] | list[list[str]] | None = Nonevideos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = Noneaudio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None**kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'> )
Tham số
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], tuỳ chọn) — Hình ảnh cần tiền xử lý. Kỳ vọng một hình ảnh đơn lẻ hoặc một lô hình ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các hình ảnh có giá trị pixel từ 0 đến 1, hãy đặtdo_rescale=False. - text (
Union[str, list[str], list[list[str]]], tùy chọn) — Chuỗi hoặc lô các chuỗi cần được mã hóa. Mỗi chuỗi có thể là một chuỗi ký tự hoặc một danh sách các chuỗi ký tự (chuỗi đã được tách token trước). Nếu bạn truyền vào dữ liệu đầu vào đã được tách token trước, hãy đặtis_split_into_words=Trueđể tránh nhầm lẫn với các đầu vào dạng lô. - videos (
Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]], tuỳ chọn) — Video cần tiền xử lý. Kỳ vọng một video đơn hoặc một lô video có giá trị pixel từ 0 đến 255. Nếu truyền vào video có giá trị pixel từ 0 đến 1, hãy đặtdo_rescale=False. - audio (
Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]], optional) — Âm thanh hoặc lô âm thanh cần được chuẩn bị. Mỗi âm thanh có thể là một mảng NumPy hoặc tensor PyTorch. Trong trường hợp là mảng NumPy/tensor PyTorch, mỗi âm thanh nên có hình dạng (C, T), trong đó C là số kênh và T là độ dài mẫu của âm thanh. - return_tensors (
strhoặc TensorType, tùy chọn) — Nếu được đặt, sẽ trả về tensor của một framework cụ thể. Các giá trị chấp nhận được là:'pt': Trả về các đối tượngtorch.Tensorcủa PyTorch.'np': Trả về các đối tượngnp.ndarraycủa NumPy.
- **kwargs (ProcessingKwargs, optional) — Các tùy chọn xử lý bổ sung cho từng modality (text, images, videos, audio). Các tham số cụ thể của model được liệt kê ở trên; xem lớp TypedDict để biết danh sách đầy đủ các đối số được hỗ trợ.
post_process_grounded_object_detection
< source >( outputs: GroundingDinoObjectDetectionOutputinput_ids: transformers.utils.generic.TensorType | None = Nonethreshold: float = 0.25text_threshold: float = 0.25target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = Nonetext_labels: list[list[str]] | None = None ) → list[Dict]
Tham số
- outputs (
GroundingDinoObjectDetectionOutput) — Đầu ra thô của mô hình. - input_ids (
torch.LongTensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Các id token của văn bản đầu vào. Nếu không được cung cấp, chúng sẽ được lấy từ đầu ra của mô hình. - threshold (
float, tùy chọn, mặc định là 0.25) — Ngưỡng để giữ lại các dự đoán phát hiện đối tượng dựa trên điểm tin cậy. - text_threshold (
float, tùy chọn, mặc định là 0.25) — Ngưỡng điểm để giữ lại các dự đoán phát hiện văn bản. - target_sizes (
torch.Tensorhoặclist[tuple[int, int]], tuỳ chọn) — Tensor có shape(batch_size, 2)hoặc danh sách các tuple (tuple[int, int]) chứa kích thước đích(height, width)của từng ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước. - text_labels (
list[list[str]], tùy chọn) — Danh sách các nhãn ứng viên cần được phát hiện trên mỗi hình ảnh. Hiện tại, tham số này CHƯA được sử dụng, nhưng vẫn bắt buộc phải có trong chữ ký của pipeline phát hiện đối tượng zero-shot. Các nhãn văn bản thay vào đó được trích xuất từ tensorinput_idsđược cung cấp trongoutputs.
Trả về
list[Dict]
Một danh sách các từ điển, mỗi từ điển chứa
- scores: tensor chứa điểm tin cậy cho các đối tượng được phát hiện
- boxes: tensor chứa các hộp bao quanh theo định dạng [x0, y0, x1, y1]
- labels: danh sách nhãn văn bản cho từng đối tượng được phát hiện (sẽ được thay thế bằng các id số nguyên trong v4.51.0)
- text_labels: danh sách nhãn văn bản cho các đối tượng được phát hiện
Chuyển đổi đầu ra thô của GroundingDinoForObjectDetection thành các hộp bao cuối cùng ở định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y) và lấy nhãn văn bản liên quan.
GroundingDinoConfig
lớp transformers.GroundingDinoConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0id2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneis_encoder_decoder: bool = Truebackbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonetext_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonenum_queries: int = 900encoder_layers: int = 6encoder_ffn_dim: int = 2048encoder_attention_heads: int = 8decoder_layers: int = 6decoder_ffn_dim: int = 2048decoder_attention_heads: int = 8activation_function: str = 'relu'd_model: int = 256dropout: float | int = 0.1attention_dropout: float | int = 0.0activation_dropout: float | int = 0.0auxiliary_loss: bool = Falseposition_embedding_type: str = 'sine'num_feature_levels: int = 4encoder_n_points: int = 4decoder_n_points: int = 4two_stage: bool = Trueclass_cost: float = 1.0bbox_cost: float = 5.0giou_cost: float = 2.0bbox_loss_coefficient: float = 5.0giou_loss_coefficient: float = 2.0focal_alpha: float = 0.25disable_custom_kernels: bool = Falsemax_text_len: int = 256text_enhancer_dropout: float | int = 0.0fusion_droppath: float | int = 0.1fusion_dropout: float | int = 0.0embedding_init_target: bool = Truequery_dim: int = 4decoder_bbox_embed_share: bool = Truetwo_stage_bbox_embed_share: bool = Falsepositional_embedding_temperature: int = 20init_std: float = 0.02layer_norm_eps: float = 1e-05tie_word_embeddings: bool = True )
Tham số
- is_encoder_decoder (
bool, tùy chọn, mặc định làTrue) — Xác định xem mô hình có được sử dụng như một encoder/decoder hay không. - backbone_config (
Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone. - text_config (
Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Đối tượng cấu hình hoặc từ điển của bộ khung văn bản. - num_queries (
int, tuỳ chọn, mặc định là 900) — Số lượng truy vấn đối tượng, tức là các khe phát hiện. Đây là số lượng tối đa các đối tượng mà GroundingDinoModel có thể phát hiện trong một hình ảnh duy nhất. - encoder_layers (
int, tùy chọn, mặc định là6) — Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống vớinum_layers. - encoder_ffn_dim (
int, tùy chọn, mặc định là2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp feed-forward) trong encoder. - encoder_attention_heads (
int, tùy chọn, mặc định là8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer. - decoder_layers (
int, tùy chọn, mặc định là6) — Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống vớinum_layers. - decoder_ffn_dim (
int, tùy chọn, mặc định là2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp feed-forward) trong decoder. - decoder_attention_heads (
int, tùy chọn, mặc định là8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. - activation_function (
str, tùy chọn, mặc định làrelu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ,"gelu","relu","silu", v.v. - d_model (
int, tùy chọn, mặc định là256) — Kích thước của các lớp encoder và lớp pooler. - dropout (
Union[float, int], tùy chọn, mặc định là0.1) — Tỷ lệ cho tất cả các lớp dropout. - attention_dropout (
Union[float, int], tùy chọn, mặc định là0.0) — Tỷ lệ dropout cho các xác suất chú ý. - activation_dropout (
Union[float, int], tùy chọn, mặc định là0.0) — Tỷ lệ dropout cho các kích hoạt bên trong lớp liên kết đầy đủ. - auxiliary_loss (
bool, tùy chọn, mặc định làFalse) — Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không. - position_embedding_type (
str, tùy chọn, mặc định là"sine") — Loại position embedding được sử dụng trên các đặc trưng hình ảnh. Một trong"sine"hoặc"learned". - num_feature_levels (
int, tùy chọn, mặc định là 4) — Số lượng cấp độ đặc trưng đầu vào. - encoder_n_points (
int, tùy chọn, mặc định là 4) — Số lượng khóa được lấy mẫu ở mỗi mức đặc trưng cho mỗi đầu chú ý trong bộ mã hóa. - decoder_n_points (
int, tùy chọn, mặc định là 4) — Số lượng khóa được lấy mẫu ở mỗi mức đặc trưng cho mỗi đầu chú ý trong bộ giải mã. - two_stage (
bool, tùy chọn, mặc định làTrue) — Liệu có áp dụng hai giai đoạn deformable DETR hay không, trong đó các đề xuất vùng cũng được tạo ra bởi một biến thể của Grounding DINO, sau đó được đưa vào decoder để tinh chỉnh hộp bao lặp lại. - class_cost (
float, tùy chọn, mặc định là1.0) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian. - bbox_cost (
float, tùy chọn, mặc định là5.0) — Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian. - giou_cost (
float, tuỳ chọn, mặc định là2.0) — Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian. - bbox_loss_coefficient (
float, tùy chọn, mặc định là5.0) — Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phân đoạn toàn cảnh. - giou_loss_coefficient (
float, tùy chọn, mặc định là2.0) — Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phân đoạn panoptic. - focal_alpha (
float, tùy chọn, mặc định là0.25) — Tham số Alpha trong hàm mất mát focal. - disable_custom_kernels (
bool, tùy chọn, mặc định làFalse) — Tắt việc sử dụng các kernel CUDA và CPU tùy chỉnh. Tùy chọn này là cần thiết cho việc xuất ONNX, vì các kernel tùy chỉnh không được hỗ trợ bởi PyTorch ONNX export. - max_text_len (
int, tùy chọn, mặc định là 256) — Độ dài tối đa của đầu vào văn bản. - text_enhancer_dropout (
float, tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho text enhancer. - fusion_droppath (
float, tuỳ chọn, mặc định là 0.1) — Tỷ lệ droppath cho module fusion. - fusion_dropout (
float, tuỳ chọn, mặc định là 0.0) — Tỷ lệ dropout cho module fusion. - embedding_init_target (
bool, tùy chọn, mặc định làTrue) — Có khởi tạo target với trọng số Embedding hay không. - query_dim (
int, tuỳ chọn, mặc định là 4) — Kích thước của vector truy vấn. - decoder_bbox_embed_share (
bool, tùy chọn, mặc định làTrue) — Có chia sẻ đầu hồi quy bbox cho tất cả các lớp decoder hay không. - two_stage_bbox_embed_share (
bool, tùy chọn, mặc định làFalse) — Có chia sẻ embedding bbox giữa bộ tạo bbox hai giai đoạn và quá trình tạo đề xuất vùng hay không. - positional_embedding_temperature (
float, tùy chọn, mặc định là 20) — Nhiệt độ cho Sine Positional Embedding được sử dụng cùng với vision backbone. - init_std (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. - layer_norm_eps (
float, tùy chọn, mặc định là1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization). - tie_word_embeddings (
bool, tùy chọn, mặc định làTrue) — Có nên gắn kết các trọng số nhúng theo ánh xạtied_weights_keyscủa mô hình hay không.
Đây là lớp cấu hình để lưu trữ cấu hình của một mô hình Grounding Dino. Nó được sử dụng để khởi tạo một mô hình Grounding Dino 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 IDEA-Research/grounding-dino-tiny
Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.
Ví dụ:
>>> from transformers import GroundingDinoConfig, GroundingDinoModel
>>> # Initializing a Grounding DINO IDEA-Research/grounding-dino-tiny style configuration
>>> configuration = GroundingDinoConfig()
>>> # Initializing a model (with random weights) from the IDEA-Research/grounding-dino-tiny style configuration
>>> model = GroundingDinoModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configGroundingDinoModel
lớp transformers.GroundingDinoModel
< source >( config: GroundingDinoConfig )
Tham số
- config (GroundingDinoConfig) — 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() để tải trọng số mô hình.
Mô hình Grounding DINO cơ bản (gồm một backbone và Transformer encoder-decoder) xuất ra các hidden-states thô mà không có bất kỳ head cụ thể nào ở phía trên.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
forward
< source >( pixel_values: Tensorinput_ids: Tensortoken_type_ids: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Nonepixel_mask: typing.Optional[torch.Tensor] = Noneencoder_outputs = Noneoutput_attentions = Noneoutput_hidden_states = Nonereturn_dict = None**kwargs ) → GroundingDinoModelOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó hình dạng(batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng GroundingDinoImageProcessor. Xem GroundingDinoImageProcessor.call() để biết chi tiết (GroundingDinoProcessor sử dụng GroundingDinoImageProcessor để xử lý hình ảnh). - input_ids (
torch.LongTensorcó dạng(batch_size, text_sequence_length)) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Padding sẽ được bỏ qua theo mặc định nếu bạn cung cấp.Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem BertTokenizer.call() để biết thêm chi tiết.
- token_type_ids (
torch.LongTensorcó hình dạng(batch_size, text_sequence_length), tùy chọn) — Chỉ số token phân đoạn để chỉ định phần đầu và phần thứ hai của đầu vào. Các chỉ số được chọn trong[0, 1]: 0 tương ứng với tokensentence A, 1 tương ứng với tokensentence B - attention_mask (
torch.Tensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các token không bị che,
- 0 cho các token bị che.
- pixel_mask (
torch.Tensorcó hình dạng(batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
- encoder_outputs (`
) -- Tuple consists of (last_hidden_state, *optional*:hidden_states, *optional*:attentions)last_hidden_stateof shape(batch_size, sequence_length, hidden_size)`, optional) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder. - output_attentions (`
) -- Whether or not to return the attentions tensors of all attention layers. Seeattentions` under returned tensors for more detail. - output_hidden_states (`
) -- Whether or not to return the hidden states of all layers. Seehidden_states` under returned tensors for more detail. - return_dict (“) — Có nên trả về ModelOutput thay vì một tuple thông thường hay không.
Trả về
GroundingDinoModelOutput hoặc tuple(torch.Tensor)
Một GroundingDinoModelOutput hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (GroundingDinoConfig) và đầu vào.
Phương thức forward của GroundingDinoModel ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_queries, hidden_size)) — Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ giải mã trong mô hình.init_reference_points (
torch.Tensorcó hình dạng(batch_size, num_queries, 4)) — Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.intermediate_hidden_states (
torch.Tensorcó hình dạng(batch_size, config.decoder_layers, num_queries, hidden_size)) — Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).intermediate_reference_points (
torch.Tensorcó hình dạng(batch_size, config.decoder_layers, num_queries, 4)) — Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).decoder_hidden_states (
tuple[torch.Tensor], tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.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[tuple[torch.Tensor]], tùy chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.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).
encoder_last_hidden_state_vision (
torch.Tensorcó shape(batch_size, sequence_length, hidden_size), optional) — Chuỗi hidden-states tại đầu ra của lớp cuối cùng của encoder trong model.encoder_last_hidden_state_text (
torch.Tensorcó hình dạng(batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của encoder trong mô hình.encoder_vision_hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của vision embeddings + một cho đầu ra của mỗi layer) có shape(batch_size, sequence_length, hidden_size). Hidden-states của vision encoder tại đầu ra của mỗi layer cùng với đầu ra của embedding ban đầu.encoder_text_hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khi truyềnoutput_hidden_states=Truehoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của text embeddings + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size). Hidden-states của text encoder tại đầu ra của mỗi lớp cùng với đầu ra của embedding ban đầu.encoder_attentions (
tuple(tuple(torch.Tensor)), optional, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple của các tupletorch.Tensor(một cho mỗi lớp attention) có shape(batch_size, num_heads, sequence_length, sequence_length). Trọng số attention sau softmax attention, được dùng để tính trung bình có trọng số trong các đầu attention text-vision, vision-text, text-enhancer (self-attention) và multi-scale deformable attention. attention softmax, được dùng để tính trung bình có trọng số trong các đầu bi-attention.enc_outputs_class (
torch.Tensorcó shape(batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khiconfig.two_stage=True) — Điểm số của các bounding box dự đoán, trong đóconfig.num_queriesbounding box có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn đầu. Đầu ra của phân loại nhị phân bounding box (tức là foreground và background).enc_outputs_coord_logits (
torch.Tensorcó shape(batch_size, sequence_length, 4), optional, được trả về khiconfig.two_stage=True) — Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.encoder_logits (
torch.Tensorcó hình dạng(batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khiconfig.two_stage=True) — Logits củaconfig.num_querieshộp bao quanh có điểm đánh giá cao nhất ở giai đoạn đầu.encoder_pred_boxes (
torch.Tensorcó hình dạng(batch_size, sequence_length, 4), tùy chọn, được trả về khiconfig.two_stage=True) — Tọa độ của các bounding box có điểm số cao nhất, số lượng làconfig.num_queries, ở giai đoạn đầu.
Ví dụ:
>>> from transformers import AutoProcessor, AutoModel
>>> 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()))
>>> text = "a cat."
>>> processor = AutoProcessor.from_pretrained("IDEA-Research/grounding-dino-tiny")
>>> model = AutoModel.from_pretrained("IDEA-Research/grounding-dino-tiny")
>>> inputs = processor(images=image, text=text, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 900, 256]GroundingDinoForObjectDetection
lớp transformers.GroundingDinoForObjectDetection
< source >( config: GroundingDinoConfig )
Tham số
- config (GroundingDinoConfig) — 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() để tải trọng số mô hình.
Mô hình Grounding DINO (gồm một backbone và Transformer encoder-decoder) với các đầu dò phát hiện đối tượng phía trên, cho các tác vụ như phát hiện COCO.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
forward
< source >( pixel_values: Tensorinput_ids: LongTensortoken_type_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.LongTensor] = Nonepixel_mask: typing.Optional[torch.BoolTensor] = Noneencoder_outputs: transformers.models.grounding_dino.modeling_grounding_dino.GroundingDinoEncoderOutput | tuple | None = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = Nonelabels: list[dict[str, typing.Union[torch.LongTensor, torch.Tensor]]] | None = None**kwargs )
Tham số
- pixel_values (
torch.Tensorcó hình dạng(batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng GroundingDinoImageProcessor. Xem GroundingDinoImageProcessor.call() để biết chi tiết (GroundingDinoProcessor sử dụng GroundingDinoImageProcessor để xử lý hình ảnh). - input_ids (
torch.LongTensorcó dạng(batch_size, text_sequence_length)) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Padding sẽ được bỏ qua theo mặc định nếu bạn cung cấp.Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem BertTokenizer.call() để biết thêm chi tiết.
- token_type_ids (
torch.LongTensorcó hình dạng(batch_size, text_sequence_length), tùy chọn) — Chỉ số token phân đoạn để chỉ định phần đầu và phần thứ hai của đầu vào. Các chỉ số được chọn trong[0, 1]: 0 tương ứng với tokensentence A, 1 tương ứng với tokensentence B - attention_mask (
torch.LongTensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các chỉ số token padding. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các token không bị che,
- 0 cho các token bị che.
- pixel_mask (
torch.BoolTensorcó hình dạng(batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
- encoder_outputs (
Union[~models.grounding_dino.modeling_grounding_dino.GroundingDinoEncoderOutput, tuple], tùy chọn) — Tuple gồm (last_hidden_state, tùy chọn:hidden_states, tùy chọn:attentions)last_hidden_statecó 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. - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không. - labels (
list[Dict]có độ dài(batch_size,), tùy chọn) — Nhãn để tính toán tổn thất khớp hai phần (bipartite matching loss). Danh sách các từ điển, mỗi từ điển chứa ít nhất 2 khóa sau: ‘class_labels’ và ‘boxes’ (lần lượt là nhãn lớp và hộp bao quanh của một hình ảnh trong lô). Bản thân các nhãn lớp phải là mộttorch.LongTensorcó độ dài(number of bounding boxes in the image,)và các hộp bao quanh phải là mộttorch.Tensorcó hình dạng(number of bounding boxes in the image, 4).
Phương thức forward của GroundingDinoForObjectDetection ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
Ví dụ:
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> from PIL import Image
>>> from transformers import AutoProcessor, AutoModelForZeroShotObjectDetection
>>> model_id = "IDEA-Research/grounding-dino-tiny"
>>> device = "cuda"
>>> processor = AutoProcessor.from_pretrained(model_id)
>>> model = AutoModelForZeroShotObjectDetection.from_pretrained(model_id).to(device)
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> # Check for cats and remote controls
>>> text_labels = [["a cat", "a remote control"]]
>>> inputs = processor(images=image, text=text_labels, return_tensors="pt").to(device)
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> results = processor.post_process_grounded_object_detection(
... outputs,
... threshold=0.4,
... text_threshold=0.3,
... target_sizes=[(image.height, image.width)]
... )
>>> # Retrieve the first image result
>>> result = results[0]
>>> for box, score, text_label in zip(result["boxes"], result["scores"], result["text_labels"]):
... box = [round(x, 2) for x in box.tolist()]
... print(f"Detected {text_label} with confidence {round(score.item(), 3)} at location {box}")
Detected a cat with confidence 0.479 at location [344.7, 23.11, 637.18, 374.28]
Detected a cat with confidence 0.438 at location [12.27, 51.91, 316.86, 472.44]
Detected a remote control with confidence 0.478 at location [38.57, 70.0, 176.78, 118.18]