Transformers documentation
RT-DETRv2
该模型于 2024-07-24 在 HF papers 上发布，并于 2025-02-06 贡献至 Hugging Face Transformers。
RT-DETRv2
概述
RT-DETRv2 模型由 Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang 和 Yi Liu 在 RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer 中提出。
RT-DETRv2 通过引入选择性多尺度特征提取、用于提升更广泛部署兼容性的离散采样算子，以及动态数据增强和尺度自适应超参数等改进的训练策略，对 RT-DETR 进行了优化。这些改动在保持实时性能的同时，增强了灵活性和实用性。
该论文的摘要如下：
本报告提出了 RT-DETRv2，一种改进的实时检测 Transformer（RT-DETR）。RT-DETRv2 基于此前最先进的实时检测器 RT-DETR，引入了一系列“免费午餐”（bag-of-freebies）以提升灵活性和实用性，并优化了训练策略以实现性能增强。为提高灵活性，我们建议在可变形注意力（deformable attention）中为不同尺度的特征设置不同数量的采样点，从而使解码器能够进行选择性多尺度特征提取。为增强实用性，我们提出了一种可选的离散采样算子，用于替代 RT-DETR 相较于 YOLOs 特有的 grid_sample 算子。这消除了 DETR 通常伴随的部署限制。在训练策略方面，我们提出了动态数据增强和尺度自适应超参数定制，以在不损失速度的前提下提升性能。
该模型由 jadechoghari 贡献。 原始代码可在 此处 找到。
使用技巧
RT-DETR 的第二个版本改进了解码器在图像中定位对象的方式。
- 更好的采样 – 调整偏移量，使模型关注正确的区域
- 灵活注意力 – 可使用平滑（双线性）或固定（离散）采样
- 优化处理 – 改进注意力权重混合信息的方式
该模型旨在与对应的 ImageProcessor 配合使用，处理尺寸为 640x640 的图像。调整为其他尺寸通常会导致性能下降。
import requests
import torch
from PIL import Image
from transformers import RTDetrImageProcessor, RTDetrV2ForObjectDetection
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_v2_r18vd")
model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/rtdetr_v2_r18vd", device_map="auto")
inputs = image_processor(images=image, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.5)
for result in results:
for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
score, label = score.item(), label_id.item()
box = [round(i, 2) for i in box.tolist()]
print(f"{model.config.id2label[label]}: {score:.2f} {box}")
cat: 0.97 [341.14, 25.11, 639.98, 372.89]
cat: 0.96 [12.78, 56.35, 317.67, 471.34]
remote: 0.95 [39.96, 73.12, 175.65, 117.44]
sofa: 0.86 [-0.11, 2.97, 639.89, 473.62]
sofa: 0.82 [-0.12, 1.78, 639.87, 473.52]
remote: 0.79 [333.65, 76.38, 370.69, 187.48]资源
一份来自 Hugging Face 官方和社区（以 🌎 标识）的资源列表，帮助你快速上手 RT-DETRv2。
RTDetrV2Config
class transformers.RTDetrV2Config
< 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 = Trueinitializer_range: float = 0.01initializer_bias_prior_prob: float | None = Nonelayer_norm_eps: float = 1e-05batch_norm_eps: float = 1e-05backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonefreeze_backbone_batch_norms: bool = Trueencoder_hidden_dim: int = 256encoder_in_channels: list[int] | tuple[int, ...] = (512, 1024, 2048)feat_strides: list[int] | tuple[int, ...] = (8, 16, 32)encoder_layers: int = 1encoder_ffn_dim: int = 1024encoder_attention_heads: int = 8dropout: float | int = 0.0activation_dropout: float | int = 0.0encode_proj_layers: list[int] | tuple[int, ...] = (2,)positional_encoding_temperature: int = 10000encoder_activation_function: str = 'gelu'activation_function: str = 'silu'eval_size: int | None = Nonenormalize_before: bool = Falsehidden_expansion: float = 1.0d_model: int = 256num_queries: int = 300decoder_in_channels: list[int] | tuple[int, ...] = (256, 256, 256)decoder_ffn_dim: int = 1024num_feature_levels: int = 3decoder_n_points: int = 4decoder_layers: int = 6decoder_attention_heads: int = 8decoder_activation_function: str = 'relu'attention_dropout: float | int = 0.0num_denoising: int = 100label_noise_ratio: float = 0.5box_noise_scale: float = 1.0learn_initial_query: bool = Falseanchor_image_size: int | list[int] | None = Nonewith_box_refine: bool = Truematcher_alpha: float = 0.25matcher_gamma: float = 2.0matcher_class_cost: float = 2.0matcher_bbox_cost: float = 5.0matcher_giou_cost: float = 2.0use_focal_loss: bool = Trueauxiliary_loss: bool = Truefocal_loss_alpha: float = 0.75focal_loss_gamma: float = 2.0weight_loss_vfl: float = 1.0weight_loss_bbox: float = 5.0weight_loss_giou: float = 2.0eos_coefficient: float = 0.0001decoder_n_levels: int = 3decoder_offset_scale: float = 0.5decoder_method: str = 'default'tie_word_embeddings: bool = True )
参数
- is_encoder_decoder (
bool，可选，默认为True) — 指示该模型是否用作编码器/解码器。 - initializer_range (
float，可选，默认为0.01) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - initializer_bias_prior_prob (
float, 可选) — 用于初始化enc_score_head和class_embed偏置的先验概率。 如果为None，则在初始化模型权重时，prior_prob的计算方式为prior_prob = 1 / (num_labels + 1)。 - layer_norm_eps (
float，可选，默认为1e-05) — 层归一化层所使用的 epsilon 值。 - batch_norm_eps (
float，可选，默认为1e-05) — 批归一化层使用的 epsilon 值。 - backbone_config (
Union[dict, ~configuration_utils.PreTrainedConfig]，可选) — 主干模型的配置。 - freeze_backbone_batch_norms (
bool，可选，默认为True) — 是否冻结主干网络中的批归一化层。 - encoder_hidden_dim (
int，可选，默认为256) — 隐藏表示的维度。 - encoder_in_channels (
list，可选，默认为[512, 1024, 2048]) — 编码器的多级特征输入。 - feat_strides（
list[int]，可选，默认为[8, 16, 32]）— 每个特征图中使用的步长。 - encoder_layers (
int，可选，默认为1) — Transformer 编码器中的隐藏层数量。如果未设置，将使用与num_layers相同的值。 - encoder_ffn_dim (
int，可选，默认为1024) — 编码器中“中间”（通常称为前馈）层的维度。 - encoder_attention_heads (
int，可选，默认为8) — Transformer 编码器中每个注意力层的注意力头数量。 - dropout (
Union[float, int]，可选，默认为0.0) — 所有 dropout 层的比率。 - activation_dropout (
Union[float, int]，可选，默认为0.0) — 全连接层中激活值的 dropout 比率。 - encode_proj_layers (
list[int]，可选，默认为[2]) — 编码器中要使用的投影层的索引。 - positional_encoding_temperature (
int，可选，默认为 10000) — 用于创建位置编码的温度参数。 - encoder_activation_function (
str，可选，默认为"gelu") — 编码器和池化器中使用的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - activation_function (
str，可选，默认为"silu") — 通用层中的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - eval_size (
tuple[int, int]，可选) — 在考虑步长后，用于计算位置嵌入有效高度和宽度的高度和宽度。 - normalize_before (
bool，可选，默认为False) — 确定是否在 Transformer 编码器层的自注意力和前馈模块之前应用层归一化。 - hidden_expansion (
float，可选，默认值为 1.0) — 用于扩大 RepVGGBlock 和 CSPRepLayer 维度大小的扩展比例。 - d_model (
int，可选，默认为256) — 编码器层和池化层的维度大小。 - num_queries (
int，可选，默认为 300) — 对象查询的数量。 - decoder_in_channels (
list，可选，默认为[256, 256, 256]) — 解码器的多级特征维度 - decoder_ffn_dim (
int，可选，默认为1024) — 解码器中“中间”（通常称为前馈）层的维度。 - num_feature_levels (
int, 可选，默认为 3) — 输入特征层级的数量。 - decoder_n_points (
int，可选，默认为 4) — 解码器中每个注意力头在每个特征层级上采样的键数量。 - decoder_layers (
int, 可选，默认为6) — Transformer 解码器中的隐藏层数量。如果未设置，将使用与num_layers相同的值。 - decoder_attention_heads (
int，可选，默认为8) — Transformer 解码器中每个注意力层的注意力头数量。 - decoder_activation_function (
str，可选，默认为"relu") — 解码器中的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - attention_dropout (
Union[float, int]，可选，默认为0.0) — 注意力概率的 dropout 比率。 - num_denoising (
int，可选，默认为 100) — 用于对比去噪的去噪任务或查询的总数。 - label_noise_ratio (
float，可选，默认值为 0.5) — 应添加随机噪声的去噪标签比例。 - box_noise_scale (
float，可选，默认值为 1.0) — 添加到边界框的噪声的缩放比例或幅度。 - learn_initial_query (
bool，可选，默认为False) — 指示是否应在训练过程中学习解码器的初始查询嵌入 - anchor_image_size (
tuple[int, int], 可选) — 评估期间用于生成边界框锚点的输入图像的高度和宽度。如果为 None，则应用自动生成的锚点。 - with_box_refine (
bool，可选，默认为True) — 是否应用迭代式边界框细化，即每个解码器层基于上一层的预测结果来细化边界框。 - matcher_alpha (
float，可选，默认为 0.25) — 匈牙利匹配器（Hungarian Matcher）使用的参数 alpha。 - matcher_gamma (
float，可选，默认值为 2.0) — 匈牙利匹配器（Hungarian Matcher）所使用的参数 gamma。 - matcher_class_cost (
float，可选，默认为 2.0) — Hungarian Matcher 使用的类别损失的相对权重。 - matcher_bbox_cost (
float，可选，默认为 5.0) — 匈牙利匹配器（Hungarian Matcher）中边界框损失的相对权重。 - matcher_giou_cost (
float, 可选，默认为 2.0) — Hungarian Matcher 使用的 giou 损失的相对权重。 - use_focal_loss (
bool，可选，默认为True) — 指示是否应使用 focal loss 的参数。 - auxiliary_loss (
bool，可选，默认为True) — 是否使用辅助解码损失（即每个解码器层的损失）。 - focal_loss_alpha (
float, 可选，默认为 0.75) — 用于计算 focal loss 的参数 alpha。 - focal_loss_gamma (
float，可选，默认为 2.0) — 用于计算 focal loss 的参数 gamma。 - weight_loss_vfl (
float, 可选，默认为 1.0) — 在目标检测损失中，变焦点损失的相对权重。 - weight_loss_bbox (
float，可选，默认值为 5.0) — 目标检测损失中 L1 边界框损失的相对权重。 - weight_loss_giou (
float，可选，默认为 2.0) — 目标检测损失中广义 IoU 损失的相对权重。 - eos_coefficient (
float，可选，默认为0.0001) — 目标检测损失中“无目标”类别的相对分类权重。 - decoder_n_levels (
int，可选，默认为 3) — 解码器使用的特征层数。 - decoder_offset_scale (
float，可选，默认值为 0.5) — 应用于解码器中注意力偏移的缩放因子。 - decoder_method (
str，可选，默认为"default") — 解码器使用的方法："default"或"discrete"。 - tie_word_embeddings (
bool，可选，默认为True) — 是否根据模型的tied_weights_keys映射来绑定权重嵌入。
这是用于存储 RTDetrV2Model 配置的类。它根据指定的参数实例化 Rt Detr V2 模型，并定义模型架构。使用默认值实例化配置，将得到与 PekingU/rtdetr_r18vd 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PreTrainedConfig 的文档。
示例：
>>> from transformers import RTDetrV2Config, RTDetrV2Model
>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrV2Config()
>>> # Initializing a model (with random weights) from the configuration
>>> model = RTDetrV2Model(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configRTDetrV2Model
class transformers.RTDetrV2Model
< source >( config: RTDetrV2Config )
参数
- config (RTDetrV2Config) — 模型的配置类，包含模型的所有参数。通过配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
RT-DETR 模型（由骨干网络和编码器-解码器组成），输出未经任何头部处理的原始隐藏状态。
该模型继承自 PreTrainedModel。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( pixel_values: Tensorpixel_mask: typing.Optional[torch.LongTensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → RTDetrV2ModelOutput or tuple(torch.Tensor)
参数
- pixel_values（形状为
(batch_size, num_channels, image_size, image_size)的torch.Tensor）— 对应于输入图像的张量。可以使用image_processor_class获取像素值。有关详细信息，请参阅image_processor_class.__call__（processor_class使用image_processor_class来处理图像）。 - pixel_mask (
torch.LongTensor形状为(batch_size, height, width), 可选) — 用于避免对填充像素值执行注意力机制的掩码。掩码值取自[0, 1]:- 对于真实的像素（即未被掩码的像素），值为 1，
- 对于填充像素（即 被屏蔽 的像素），值为 0。
- encoder_outputs (
torch.Tensor, 可选) — 元组由 (last_hidden_state, 可选:hidden_states, 可选:attentions)last_hidden_state的形状为(batch_size, sequence_length, hidden_size), 可选) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - inputs_embeds (
torch.Tensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，除了传入展平的特征图（backbone + 投影层的输出）外，您还可以选择直接传入图像的展平表示。 - labels (
list[Dict]，长度为(batch_size,)，可选) — 用于计算二部图匹配损失的标签。一个字典列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别表示批次中某张图像的分类标签和边界框）。分类标签本身应是一个长度为(number of bounding boxes in the image,)的torch.LongTensor，边界框应是一个形状为(number of bounding boxes in the image, 4)的torch.Tensor。
返回值
RTDetrV2ModelOutput 或 tuple(torch.Tensor)
RTDetrV2ModelOutput 或 torch.Tensor 元组（如果传入 return_dict=False 或 config.return_dict=False），其包含的元素取决于配置（None）和输入。
RTDetrV2Model 的 forward 方法会重写 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
last_hidden_state（形状为
(batch_size, num_queries, hidden_size)的torch.Tensor）— 模型解码器最后一层输出的隐藏状态序列。intermediate_hidden_states（形状为
(batch_size, config.decoder_layers, num_queries, hidden_size)的torch.Tensor）— 堆叠的中间隐藏状态（解码器每一层的输出）。intermediate_logits（形状为
(batch_size, config.decoder_layers, sequence_length, config.num_labels)的torch.Tensor）— 堆叠的中间 logits（解码器每一层的 logits）。intermediate_reference_points（形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.Tensor）— 堆叠的中间参考点（解码器每一层的参考点）。intermediate_predicted_corners（形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.Tensor）— 堆叠的中间预测角点（解码器每一层预测的角点）。initial_reference_points（形状为
(batch_size, num_queries, 4)的torch.Tensor）— 用于第一个解码器层的初始参考点。decoder_hidden_states (
tuple[torch.Tensor]，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, sequence_length, hidden_size)。解码器在每一层输出处的隐藏状态，以及初始嵌入输出。
decoder_attentions（
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回）—— 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。解码器在注意力 softmax 之后的注意力权重，用于在自注意力头中计算加权平均值。
cross_attentions (
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回) — 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。解码器交叉注意力层在注意力 softmax 之后的注意力权重，用于在交叉注意力头中计算加权平均值。
encoder_last_hidden_state（形状为
(batch_size, sequence_length, hidden_size)的torch.Tensor，可选）— 模型编码器最后一层输出的隐藏状态序列。encoder_hidden_states (
tuple[torch.Tensor]，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, sequence_length, hidden_size)。编码器在每一层输出处的隐藏状态，以及初始嵌入输出。
encoder_attentions（
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回）—— 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。编码器在注意力 softmax 之后的注意力权重，用于在自注意力头中计算加权平均值。
init_reference_points（形状为
(batch_size, num_queries, 4)的torch.Tensor）— 通过 Transformer 解码器传输的初始参考点。enc_topk_logits（形状为
(batch_size, sequence_length, config.num_labels)的torch.Tensor）— 预测的边界框分数，其中得分最高的config.two_stage_num_proposals个边界框将在编码器阶段被选为区域建议。这是边界框二分类（即前景和背景）的输出。enc_topk_bboxes（形状为
(batch_size, sequence_length, 4)的torch.Tensor）— 编码器阶段预测的边界框坐标的 Logits。enc_outputs_class (
torch.Tensor，形状为(batch_size, sequence_length, config.num_labels)，可选，当config.with_box_refine=True且config.two_stage=True时返回) — 预测的边界框分数，其中得分最高的config.two_stage_num_proposals个边界框在第一阶段被选为区域建议。边界框二分类（即前景和背景）的输出。enc_outputs_coord_logits (
torch.Tensor，形状为(batch_size, sequence_length, 4)，可选，当config.with_box_refine=True且config.two_stage=True时返回) — 第一阶段中预测的边界框坐标的 logits。denoising_meta_values (
dict，可选) — 用于去噪相关值的额外字典。
示例：
>>> from transformers import AutoImageProcessor, RTDetrV2Model
>>> 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()))
>>> image_processor = AutoImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2Model.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]RTDetrV2ForObjectDetection
class transformers.RTDetrV2ForObjectDetection
< source >( config: RTDetrV2Config )
参数
- config (RTDetrV2Config) — 模型的配置类，包含模型的所有参数。通过配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
RT-DETR 模型（由 backbone 和 encoder-decoder 组成）输出 bounding boxes 和 logits，以便进一步解码为 scores 和 classes。
该模型继承自 PreTrainedModel。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( pixel_values: Tensorpixel_mask: typing.Optional[torch.LongTensor] = Noneencoder_outputs: typing.Optional[torch.Tensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: list[dict] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → RTDetrV2ObjectDetectionOutput or tuple(torch.Tensor)
参数
- pixel_values（形状为
(batch_size, num_channels, image_size, image_size)的torch.Tensor）— 对应于输入图像的张量。可以使用image_processor_class获取像素值。有关详细信息，请参阅image_processor_class.__call__（processor_class使用image_processor_class来处理图像）。 - pixel_mask (
torch.LongTensor形状为(batch_size, height, width), 可选) — 用于避免对填充像素值执行注意力机制的掩码。掩码值取自[0, 1]:- 对于真实的像素（即未被掩码的像素），值为 1，
- 对于填充像素（即 被屏蔽 的像素），值为 0。
- encoder_outputs (
torch.Tensor, 可选) — 元组由 (last_hidden_state, 可选:hidden_states, 可选:attentions)last_hidden_state的形状为(batch_size, sequence_length, hidden_size), 可选) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - inputs_embeds (
torch.Tensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，除了传入展平的特征图（backbone + 投影层的输出）外，您还可以选择直接传入图像的展平表示。 - labels (
list[Dict]，长度为(batch_size,)，可选) — 用于计算二部图匹配损失的标签。一个字典列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别表示批次中某张图像的分类标签和边界框）。分类标签本身应是一个长度为(number of bounding boxes in the image,)的torch.LongTensor，边界框应是一个形状为(number of bounding boxes in the image, 4)的torch.Tensor。
返回值
RTDetrV2ObjectDetectionOutput 或 tuple(torch.Tensor)
RTDetrV2ObjectDetectionOutput 或 torch.Tensor 元组（当传入 return_dict=False 或 config.return_dict=False 时），其包含的元素取决于配置（None）和输入。
RTDetrV2ForObjectDetection 的 forward 方法重写了 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
loss (
torch.Tensor，形状为(1,)，可选，在提供labels时返回)) — 总损失，是类别预测的负对数似然（交叉熵）与边界框损失的线性组合。后者定义为 L1 损失与广义尺度不变 IoU 损失的线性组合。loss_dict (
Dict，可选) — 包含各项单独损失的字典。适用于日志记录。logits（形状为
(batch_size, num_queries, num_classes + 1)的torch.Tensor）— 所有查询的分类 logits（包括 no-object）。pred_boxes（形状为
(batch_size, num_queries, 4)的torch.Tensor）— 所有查询的归一化框坐标，表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 范围内归一化，相对于批次中每张图片的单独尺寸（忽略可能的填充）。您可以使用~RTDetrV2ImageProcessor.post_process_object_detection来获取未归一化（绝对）的边界框。auxiliary_outputs (
list[Dict]，可选) — 可选，仅在启用辅助损失（即config.auxiliary_loss设置为True）且提供了标签时返回。它是一个字典列表，包含每个解码器层的上述两个键（logits和pred_boxes）。last_hidden_state（形状为
(batch_size, num_queries, hidden_size)的torch.Tensor）— 模型解码器最后一层输出的隐藏状态序列。intermediate_hidden_states（形状为
(batch_size, config.decoder_layers, num_queries, hidden_size)的torch.Tensor）— 堆叠的中间隐藏状态（解码器每一层的输出）。intermediate_logits（形状为
(batch_size, config.decoder_layers, num_queries, config.num_labels)的torch.Tensor）— 堆叠的中间 logits（解码器每一层的 logits）。intermediate_reference_points（形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.Tensor）— 堆叠的中间参考点（解码器每一层的参考点）。intermediate_predicted_corners（形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.Tensor）— 堆叠的中间预测角点（解码器每一层预测的角点）。initial_reference_points（形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.Tensor）— 堆叠的初始参考点（解码器每一层的初始参考点）。decoder_hidden_states (
tuple[torch.Tensor]，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, sequence_length, hidden_size)。解码器在每一层输出处的隐藏状态，以及初始嵌入输出。
decoder_attentions（
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回）—— 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。解码器在注意力 softmax 之后的注意力权重，用于在自注意力头中计算加权平均值。
cross_attentions (
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回) — 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。解码器交叉注意力层在注意力 softmax 之后的注意力权重，用于在交叉注意力头中计算加权平均值。
encoder_last_hidden_state（形状为
(batch_size, sequence_length, hidden_size)的torch.Tensor，可选）— 模型编码器最后一层输出的隐藏状态序列。encoder_hidden_states (
tuple[torch.Tensor]，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, sequence_length, hidden_size)。编码器在每一层输出处的隐藏状态，以及初始嵌入输出。
encoder_attentions（
tuple[torch.Tensor]，可选，当传入output_attentions=True或config.output_attentions=True时返回）—— 一个torch.Tensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。编码器在注意力 softmax 之后的注意力权重，用于在自注意力头中计算加权平均值。
init_reference_points（形状为
(batch_size, num_queries, 4)的torch.Tensor）— 通过 Transformer 解码器传输的初始参考点。enc_topk_logits（形状为
(batch_size, sequence_length, config.num_labels)的torch.Tensor，可选，当config.with_box_refine=True且config.two_stage=True时返回）— 编码器中预测的边界框坐标的 logits。enc_topk_bboxes（形状为
(batch_size, sequence_length, 4)的torch.Tensor，可选，当config.with_box_refine=True且config.two_stage=True时返回） — 编码器中预测的边界框坐标的 Logits。enc_outputs_class (
torch.Tensor，形状为(batch_size, sequence_length, config.num_labels)，可选，当config.with_box_refine=True且config.two_stage=True时返回) — 预测的边界框分数，其中得分最高的config.two_stage_num_proposals个边界框在第一阶段被选为区域建议。边界框二分类（即前景和背景）的输出。enc_outputs_coord_logits (
torch.Tensor，形状为(batch_size, sequence_length, 4)，可选，当config.with_box_refine=True且config.two_stage=True时返回) — 第一阶段中预测的边界框坐标的 logits。denoising_meta_values (
dict，可选) — 用于去噪相关值的额外字典
示例：
>>> from transformers import RTDetrV2ImageProcessor, RTDetrV2ForObjectDetection
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> image_processor = RTDetrV2ImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # forward pass
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 300, 80]
>>> boxes = outputs.pred_boxes
>>> list(boxes.shape)
[1, 300, 4]
>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.9, target_sizes=target_sizes)[
... 0
... ]
>>> for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
... box = [round(i, 2) for i in box.tolist()]
... print(
... f"Detected {model.config.id2label[label.item()]} with confidence "
... f"{round(score.item(), 3)} at location {box}"
... )
Detected sofa with confidence 0.97 at location [0.14, 0.38, 640.13, 476.21]
Detected cat with confidence 0.96 at location [343.38, 24.28, 640.14, 371.5]
Detected cat with confidence 0.958 at location [13.23, 54.18, 318.98, 472.22]
Detected remote with confidence 0.951 at location [40.11, 73.44, 175.96, 118.48]
Detected remote with confidence 0.924 at location [333.73, 76.58, 369.97, 186.99]