/ Модель

Характеристики

Контекст
16 токенов
Лицензия
Apache 2.0
Архитектура
owlv2 · dense
Опубликована
13 окт 2023

owlv2-large-patch14

Поиск объектовИзображение → bounding_boxes3 профессии

OWLv2-large-patch14 обнаруживает объекты на изображениях по текстовым запросам, включая категории без заранее заданного набора меток.

741скачиваний за 30 дней14лайковвеса обновлены31 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

OWLv2-large-patch14 — модель обнаружения объектов с открытым словарём, разработанная авторами работы «Scaling Open-Vocabulary Object Detection». Она принимает изображение и одну или несколько текстовых подсказок с названиями объектов, после чего находит соответствующие объекты и предсказывает их рамки. Модель построена на мультимодальной основе CLIP с визуальным энкодером ViT-L/14 и текстовым Transformer-энкодером; к визуальным признакам добавлены лёгкие головы классификации и предсказания рамок.

Модель подходит для поиска объектов по произвольным текстовым запросам, в том числе для классов, которые не были заданы фиксированным набором меток. Её можно применять для исследовательской оценки обобщения и устойчивости компьютерного зрения, а также для обнаружения объектов на изображениях по описаниям. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Качество зависит от формулировки текстовых запросов и распределения данных; документация отмечает возможные смещения из-за состава обучающих данных, значительная часть которых собрана из интернета. Модель предназначена прежде всего для исследований компьютерного зрения.

Сценарии применения

  • Поиск заданных объектов на фотографии по текстовым названиям
  • Обнаружение нескольких разных категорий объектов на одном изображении
  • Проверка компьютерного зрения на объектах, не входивших в фиксированный набор меток
  • Исследовательская оценка обобщения и устойчивости детектора объектов

Ограничения

Результаты зависят от формулировки текстовых запросов и могут отражать смещения обучающих данных, значительная часть которых собрана из интернета. Модель описана прежде всего как исследовательский инструмент для изучения обобщения, устойчивости и ограничений компьютерного зрения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card: OWLv2

Model Details

The OWLv2 model (short for Open-World Localization) was proposed in Scaling Open-Vocabulary Object Detection by Matthias Minderer, Alexey Gritsenko, Neil Houlsby. OWLv2, like OWL-ViT, is a zero-shot text-conditioned object detection model that can be used to query an image with one or multiple text queries.

The model uses CLIP as its multi-modal backbone, with a ViT-like Transformer to get visual features and a causal language model to get the text features. To use CLIP for detection, OWL-ViT removes the final token pooling layer of the vision model and attaches a lightweight classification and box head to each transformer output token. Open-vocabulary classification is enabled by replacing the fixed classification layer weights with the class-name embeddings obtained from the text model. The authors first train CLIP from scratch and fine-tune it end-to-end with the classification and box heads on standard detection datasets using a bipartite matching loss. One or multiple text queries per image can be used to perform zero-shot text-conditioned object detection.

Model Date

June 2023

Model Type

The model uses a CLIP backbone with a ViT-L/14 Transformer architecture as an image encoder and uses a masked self-attention Transformer as a text encoder. These encoders are trained to maximize the similarity of (image, text) pairs via a contrastive loss. The CLIP backbone is trained from scratch and fine-tuned together with the box and class prediction heads with an object detection objective.

Documents

Use with Transformers

import requests
from PIL import Image
import torch

from transformers import Owlv2Processor, Owlv2ForObjectDetection

processor = Owlv2Processor.from_pretrained("google/owlv2-large-patch14")
model = Owlv2ForObjectDetection.from_pretrained("google/owlv2-large-patch14")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
texts = [["a photo of a cat", "a photo of a dog"]]
inputs = processor(text=texts, images=image, return_tensors="pt")

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

# Target image sizes (height, width) to rescale box predictions [batch_size, 2]
target_sizes = torch.Tensor([image.size[::-1]])
# Convert outputs (bounding boxes and class logits) to Pascal VOC Format (xmin, ymin, xmax, ymax)
results = processor.post_process_object_detection(outputs=outputs, target_sizes=target_sizes, threshold=0.1)
i = 0  # Retrieve predictions for the first image for the corresponding text queries
text = texts[i]
boxes, scores, labels = results[i]["boxes"], results[i]["scores"], results[i]["labels"]
for box, score, label in zip(boxes, scores, labels):
    box = [round(i, 2) for i in box.tolist()]
    print(f"Detected {text[label]} with confidence {round(score.item(), 3)} at location {box}")

Model Use

Intended Use

The model is intended as a research output for research communities. We hope that this model will enable researchers to better understand and explore zero-shot, text-conditioned object detection. We also hope it can be used for interdisciplinary studies of the potential impact of such models, especially in areas that commonly require identifying objects whose label is unavailable during training.

Primary intended uses

The primary intended users of these models are AI researchers.

We primarily imagine the model will be used by researchers to better understand robustness, generalization, and other capabilities, biases, and constraints of computer vision models.

Data

The CLIP backbone of the model was trained on publicly available image-caption data. This was done through a combination of crawling a handful of websites and using commonly-used pre-existing image datasets such as YFCC100M. A large portion of the data comes from our crawling of the internet. This means that the data is more representative of people and societies most connected to the internet. The prediction heads of OWL-ViT, along with the CLIP backbone, are fine-tuned on publicly available object detection datasets such as COCO and OpenImages.

(to be updated for v2)

BibTeX entry and citation info

@misc{minderer2023scaling,
      title={Scaling Open-Vocabulary Object Detection}, 
      author={Matthias Minderer and Alexey Gritsenko and Neil Houlsby},
      year={2023},
      eprint={2306.09683},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · object-detection

Нельзя запустить

Для архитектуры owlv2 нет загрузчика под задачу object-detection.

Класс архитектуры
Owlv2ForObjectDetection
Ревизия весов
1aabc4e

0 моделей