Hugging Face's logo

Transformers documentation

MM Grounding DINO

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.2).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Mô hình này được công bố trên HF papers vào ngày 04-01-2024 và được đóng góp cho Hugging Face Transformers vào ngày 01-08-2025.

MM Grounding DINO

Mô hình MM Grounding DINO được đề xuất trong An Open and Comprehensive Pipeline for Unified Object Grounding and Detection bởi Xiangyu Zhao, Yicheng Chen, Shilin Xu, Xiangtai Li, Xinjiang Wang, Yining Li, Haian Huang.

MM Grounding DINO cải tiến so với Grounding DINO bằng cách nâng cấp contrastive class head và loại bỏ việc chia sẻ tham số trong decoder, từ đó cải thiện hiệu suất phát hiện zero-shot trên cả COCO (50.6(+2.2) AP) và LVIS (31.9(+11.8) val AP và 41.4(+12.6) minival AP).

Bạn có thể tìm thấy tất cả các checkpoint gốc của MM Grounding DINO trong bộ sưu tập MM Grounding DINO. Mô hình này cũng hỗ trợ suy luận LLMDet. Bạn có thể tìm thấy các checkpoint của LLMDet trong bộ sưu tập LLMDet.

Nhấp vào các mô hình MM Grounding DINO ở thanh bên phải để xem thêm các ví dụ về cách áp dụng MM Grounding DINO cho các tác vụ MM Grounding DINO khác nhau.

Ví dụ dưới đây minh họa cách tạo văn bản dựa trên hình ảnh bằng lớp AutoModelForZeroShotObjectDetection.

AutoModel
import torch

from transformers import AutoModelForZeroShotObjectDetection, AutoProcessor
from transformers.image_utils import load_image


# Prepare processor and model
model_id = "openmmlab-community/mm_grounding_dino_tiny_o365v1_goldg_v3det"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForZeroShotObjectDetection.from_pretrained(model_id, device_map="auto")

# Prepare inputs
image_url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = load_image(image_url)
text_labels = [["a cat", "a remote control"]]
inputs = processor(images=image, text=text_labels, return_tensors="pt").to(model.device)

# Run inference
with torch.no_grad():
    outputs = model(**inputs)

# Postprocess outputs
results = processor.post_process_grounded_object_detection(
    outputs,
    threshold=0.4,
    target_sizes=[(image.height, image.width)]
)

# 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}")

Ghi chú

MMGroundingDinoConfig

lớp transformers.MMGroundingDinoConfig

< >

( 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 = 4positional_embedding_temperature: int = 20decoder_bbox_embed_share: bool = Truedecoder_cls_embed_share: bool = Trueinit_std: float = 0.02layer_norm_eps: float = 1e-05tie_word_embeddings: bool = True )

Tham số

  • is_encoder_decoder (bool, tùy chọn, mặc định là True) — Xác định xem mô hình có được sử dụng như một encoder/decoder hay không.
  • backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone.
  • 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 đối tượng tối đa mà MMGroundingDinoModel có thể phát hiện trong một hình ảnh duy nhất.
  • encoder_layers (int, tùy chọn, mặc định là 6) — Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
  • encoder_ffn_dim (int, tùy chọn, mặc định là 2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp feed-forward) trong encoder.
  • encoder_attention_heads (int, tùy chọn, mặc định là 8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer.
  • decoder_layers (int, tùy chọn, mặc định là 6) — Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
  • decoder_ffn_dim (int, tùy chọn, mặc định là 2048) — Kích thước của lớp “trung gian” (thường được gọi là lớp feed-forward) trong decoder.
  • decoder_attention_heads (int, tùy chọn, mặc định là 8) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.
  • activation_function (str, tùy chọn, mặc định là relu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, "gelu", "relu", "silu", v.v.
  • d_model (int, tùy chọn, mặc định là 256) — Kích thước của các lớp encoder và lớp pooler.
  • dropout (Union[float, int], tùy chọn, mặc định là 0.1) — Tỷ lệ cho tất cả các lớp dropout.
  • attention_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các xác suất chú ý.
  • activation_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các kích hoạt bên trong lớp liên kết đầy đủ.
  • auxiliary_loss (bool, tùy chọn, mặc định là False) — Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không.
  • position_embedding_type (str, tùy chọn, mặc định là "sine") — Loại position embedding được sử dụng trên các đặc trưng hình ảnh. Một trong "sine" hoặc "learned".
  • 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 là True) — 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 là 1.0) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.
  • bbox_cost (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian.
  • giou_cost (float, tuỳ chọn, mặc định là 2.0) — Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian.
  • bbox_loss_coefficient (float, tùy chọn, mặc định là 5.0) — 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 là 2.0) — Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phân đoạn panoptic.
  • focal_alpha (float, tùy chọn, mặc định là 0.25) — Tham số Alpha trong hàm mất mát focal.
  • disable_custom_kernels (bool, tùy chọn, mặc định là False) — 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 là True) — 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.
  • positional_embedding_temperature (float, tùy chọn, mặc định là 20) — Nhiệt độ cho Sine Positional Embedding được sử dụng cùng với vision backbone.
  • decoder_bbox_embed_share (bool, tùy chọn, mặc định là True) — Có chia sẻ đầu hồi quy bbox cho tất cả các lớp decoder hay không.
  • decoder_cls_embed_share (bool, tùy chọn, mặc định là True) — Có chia sẻ đầu nhúng lớp cho tất cả các lớp giải mã hay không.
  • init_std (float, tùy chọn, mặc định là 0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
  • layer_norm_eps (float, tùy chọn, mặc định là 1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).
  • tie_word_embeddings (bool, tùy chọn, mặc định là True) — Có nên gắn kết các trọng số nhúng theo ánh xạ tied_weights_keys của mô hình hay không.

Đây là lớp cấu hình để lưu trữ cấu hình của một mô hình Mm Grounding Dino. Nó được sử dụng để khởi tạo một mô hình Mm 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 openmmlab-community/mm_grounding_dino_tiny_o365v1_goldg_v3det

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 MMGroundingDinoConfig, MMGroundingDinoModel

>>> # Initializing a MM Grounding DINO configuration
>>> configuration = MMGroundingDinoConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = MMGroundingDinoModel(configuration)

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

MMGroundingDinoModel

lớp transformers.MMGroundingDinoModel

< >

( config: MMGroundingDinoConfig )

Tham số

  • config (MMGroundingDinoConfig) — 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

< >

( 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 ) → MMGroundingDinoModelOutput or tuple(torch.Tensor)

Tham số

  • pixel_values (torch.Tensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng GroundingDinoImageProcessor. Xem GroundingDinoImageProcessor.call() để biết chi tiết (GroundingDinoProcessor sử dụng GroundingDinoImageProcessor để xử lý hình ảnh).
  • input_ids (torch.LongTensor có 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.LongTensor có 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 token sentence A , 1 tương ứng với token sentence B

    ID loại token là gì?

  • attention_mask (torch.Tensor có 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.

    Mặt nạ chú ý là gì?

  • pixel_mask (torch.Tensor có hình dạng (batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong [0, 1]:
    • 1 cho các pixel thực (tức là không bị che),
    • 0 cho các pixel là padding (tức là đã bị che).

    Mặt nạ chú ý là gì?

  • 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. See attentions` under returned tensors for more detail.
  • output_hidden_states (`) -- Whether or not to return the hidden states of all layers. See hidden_states` under returned tensors for more detail.
  • return_dict (“) — Có nên trả về ModelOutput thay vì một tuple thông thường hay không.

Trả về

MMGroundingDinoModelOutput hoặc tuple(torch.Tensor)

Một MMGroundingDinoModelOutput 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 (MMGroundingDinoConfig) và đầu vào.

Phương thức forward của MMGroundingDinoModel ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

  • last_hidden_state (torch.Tensor có hình dạng (batch_size, 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.Tensor có hình dạng (batch_size, num_queries, 4)) — Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.

  • intermediate_hidden_states (torch.Tensor có hình dạng (batch_size, config.decoder_layers, num_queries, hidden_size)) — Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).

  • intermediate_reference_points (torch.Tensor có hình dạng (batch_size, config.decoder_layers, num_queries, 4)) — Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).

  • decoder_hidden_states (tuple[torch.Tensor], tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.Tensor (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng (batch_size, sequence_length, hidden_size).

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

  • decoder_attentions (tuple[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).

  • encoder_last_hidden_state_vision (torch.Tensor có 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.Tensor có 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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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 truyền output_hidden_states=True hoặc khi config.output_hidden_states=True) — Tuple của torch.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 khi output_attentions=True được truyền vào hoặc khi config.output_attentions=True) — Tuple của các tuple torch.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.Tensor có shape (batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khi config.two_stage=True) — Điểm số của các bounding box dự đoán, trong đó config.num_queries bounding 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.Tensor có shape (batch_size, sequence_length, 4), optional, được trả về khi config.two_stage=True) — Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.

  • encoder_logits (torch.Tensor có hình dạng (batch_size, sequence_length, config.num_labels), tùy chọn, được trả về khi config.two_stage=True) — Logits của config.num_queries hộp bao quanh có điểm đánh giá cao nhất ở giai đoạn đầu.

  • encoder_pred_boxes (torch.Tensor có hình dạng (batch_size, sequence_length, 4), tùy chọn, được trả về khi config.two_stage=True) — Tọa độ của các bounding box có điểm số cao nhất, số lượng là config.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]

MMGroundingDinoForObjectDetection

lớp transformers.MMGroundingDinoForObjectDetection

< >

( config: MMGroundingDinoConfig )

Tham số

  • config (MMGroundingDinoConfig) — 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

< >

( 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.mm_grounding_dino.modeling_mm_grounding_dino.MMGroundingDinoEncoderOutput | 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.Tensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng GroundingDinoImageProcessor. Xem GroundingDinoImageProcessor.call() để biết chi tiết (GroundingDinoProcessor sử dụng GroundingDinoImageProcessor để xử lý hình ảnh).
  • input_ids (torch.LongTensor có 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.LongTensor có 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 token sentence A , 1 tương ứng với token sentence B

    ID loại token là gì?

  • attention_mask (torch.LongTensor có 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.

    Mặt nạ chú ý là gì?

  • pixel_mask (torch.BoolTensor có hình dạng (batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong [0, 1]:
    • 1 cho các pixel thực (tức là không bị che),
    • 0 cho các pixel là padding (tức là đã bị che).

    Mặt nạ chú ý là gì?

  • encoder_outputs (Union[~models.mm_grounding_dino.modeling_mm_grounding_dino.MMGroundingDinoEncoderOutput, tuple], 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.
  • output_attentions (bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xem attentions trong 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. Xem hidden_states trong 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 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).

Phương thức forward của MMGroundingDinoForObjectDetection ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

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]
Update on GitHub

←mllama Molmo2→