python使用与内在逻辑.xmind

PyTorch 训练代码和 DETR（检测转换器）的预训练模型。 我们用 Transformer 替换了完全复杂的手工对象检测管道，并将 Faster R-CNN 与 ResNet-50 匹配，使用一半的计算能力 (FLOP) 和相同数量的参数在 COCO 上获得 42 个 AP。 50 行 PyTorch 中的推理。 这是什么。 与传统的计算机视觉技术不同，DETR 将目标检测作为直接集预测问题来处理。 它由一个基于集合的全局损失和一个 Transformer 编码器-解码器架构组成，它通过二分匹配强制进行独特的预测。 给定一组固定的学习对象查询集，DETR 会推理对象和全局图像上下文的关系，以直接并行输出最终的预测集。 由于这种并行特性，DETR 非常快速和高效。

DE⫶TR ：使用变压器进行端到端物体检测 PyTorch的DETR （ DE tection TR ansformer）训练代码和预训练模型。 我们用变压器代替了整个复杂的手工物体检测管道，并用ResNet-50匹配了Faster R-CNN，使用一半的计算能力（FLOP）和相同数量的参数在COCO上获得了42个AP 。 在PyTorch的50行中进行推断。 这是什么。 与传统的计算机视觉技术不同，DETR将对象检测作为直接设置的预测问题。 它由基于集合的全局损耗（通过二分匹配强制唯一预测）和变压器编码器-解码器体系结构组成。 给定固定的学习对象查询集，则DETR会考虑对象与全局图像上下文之间的关系，以直接并行并行输出最终的预测集。 由于这种并行性质，DETR非常快速和有效。 关于代码。 我们认为，对象检测不应该比分类困难，也不需要复杂的库来进行训练和推理。 DETR的实现和试验非常