概述
DETR（DEtection TRansformer）將目標偵測重新定義為使用變壓器解決的直接集合預測問題，消除了錨框和非極大值抑制等手工設計的步驟。這很重要，因為它為檢測提供了一個乾淨的端對端管道，激發了基於 Transformer 的視覺模型的浪潮。
DETR Transformer Inspection 屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
DETR 由 Facebook AI 於 2020 年推出，將 CNN 主幹與 Transformer 編碼器-解碼器結合。 CNN提取圖像特徵；編碼器混合整個圖像的全局上下文；解碼器採用一組固定的學習“物件查詢”，並將每個查詢轉換為檢測到的物件（類別加邊界框）或“無物件”結果。關鍵的新穎之處在於二分匹配：在訓練期間，匈牙利演算法在預測和真實物件之間找到一對一的分配，因此模型學習直接為每個物件輸出一個唯一的框架。這消除了非極大值抑制和錨定調整。權衡是收斂速度慢和小物體精度較弱，Deformable DETR 等後續產品解決了這個問題。
技術洞察
DETR 的定義機制是匈牙利匹配的基於集合的損失。它不是對數千個錨框進行評分，而是發出固定數量的預測（通常是 100 個對象查詢），並將它們與真實對像一對一匹配，懲罰匹配對上的分類和框錯誤，並將不匹配的查詢推向“無對象”。由於匹配是一對一的，因此透過設計而不是單獨的後處理步驟來抑制重複檢測。
掌握 DETR 變壓器偵測
DETR（DEtection TRansformer）將目標偵測重新定義為使用變壓器解決的直接集合預測問題，消除了錨框和非極大值抑制等手工設計的步驟。這很重要，因為它為檢測提供了一個乾淨的端對端管道，激發了基於 Transformer 的視覺模型的浪潮。 DETR Transformer Inspection 屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將 DETR 變壓器偵測視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 DETR 變壓器檢測的強大團隊可以平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
在自動駕駛研究資料集中偵測和裝箱行人和車輛
當擴展到每像素掩模預測時，為全景分割提供動力
作為開放詞彙和接地探測器的骨幹架構
定位零售貨架圖像中的對象，無需調整每個資料集的錨點大小
實施模式
DETR 變壓器偵測實踐
在自動駕駛研究資料集中偵測和裝箱行人和車輛。
在自動駕駛研究資料集中偵測和裝箱行人和車輛 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
DETR 變壓器偵測實踐
當擴展到每像素掩模預測時，為全景分割提供動力。
當擴展到每像素掩模預測時，為全景分割提供動力當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
DETR 變壓器偵測實踐
作為開放詞彙和接地檢測器的骨幹架構。
作為開放詞彙和接地檢測器的骨幹架構 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
DETR 變壓器偵測實踐
定位零售貨架圖像中的對象，無需調整每個資料集的錨點大小。
在不調整每個資料集的錨點大小的情況下定位零售貨架圖像中的物件當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。