# DAB-DETR

## Tổng quan

Mô hình DAB-DETR được đề xuất trong [DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR](https://huggingface.co/papers/2201.12329) bởi Shilong Liu, Feng Li, Hao Zhang, Xiao Yang, Xianbiao Qi, Hang Su, Jun Zhu, Lei Zhang. DAB-DETR là một biến thể nâng cao của Conditional DETR. Nó sử dụng các hộp neo được cập nhật động để cung cấp cả một điểm truy vấn tham chiếu (x, y) và một kích thước hộp neo tham chiếu (w, h), cải thiện việc tính toán chú ý chéo. Cách tiếp cận mới này đạt được 45,7% AP khi được huấn luyện trong 50 epochs với một mô hình ResNet-50 duy nhất làm backbone.

<img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/dab_detr_convergence_plot.png"
alt="drawing" width="600"/>

Tóm tắt từ bài báo như sau:

*Trong bài báo này, chúng tôi đề xuất một cách xây dựng truy vấn mới sử dụng các hộp neo động cho DETR (DEtection TRansformer) và cung cấp sự hiểu biết sâu sắc hơn về vai trò của các truy vấn trong DETR. Cách xây dựng mới này trực tiếp sử dụng tọa độ hộp làm truy vấn trong các bộ giải mã Transformer và cập nhật chúng động theo từng lớp. Việc sử dụng tọa độ hộp không chỉ giúp tận dụng các tiên nghiệm vị trí rõ ràng để cải thiện độ tương tự giữa truy vấn và đặc trưng, loại bỏ vấn đề hội tụ chậm trong quá trình huấn luyện của DETR, mà còn cho phép chúng tôi điều chỉnh bản đồ chú ý vị trí bằng thông tin về chiều rộng và chiều cao của hộp. Thiết kế này làm rõ rằng các truy vấn trong DETR có thể được triển khai dưới dạng thực hiện lớp pooling ROI mềm theo từng lớp theo kiểu liên kết. Kết quả là, nó đạt hiệu suất tốt nhất trên bộ chuẩn MS-COCO trong số các mô hình phát hiện kiểu DETR cùng cấu hình, ví dụ: AP 45,7% khi sử dụng ResNet50-DC5 làm bộ xương và huấn luyện trong 50 epoch. Chúng tôi cũng đã tiến hành các thí nghiệm mở rộng để xác nhận phân tích của mình và kiểm chứng hiệu quả của các phương pháp đề xuất.*

Mô hình này được đóng góp bởi [davidhajdu](https://huggingface.co/davidhajdu). Mã gốc có thể được tìm thấy [tại đây](https://github.com/IDEA-Research/DAB-DETR).

## Cách bắt đầu với Mô hình

Sử dụng mã bên dưới để bắt đầu với mô hình.

```python
import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, AutoModelForObjectDetection

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50")
model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50", 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.size[::-1]]), threshold=0.3)

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}")
```

Điều này nên in ra

```text
cat: 0.87 [14.7, 49.39, 320.52, 469.28]
remote: 0.86 [41.08, 72.37, 173.39, 117.2]
cat: 0.86 [344.45, 19.43, 639.85, 367.86]
remote: 0.61 [334.27, 75.93, 367.92, 188.81]
couch: 0.59 [-0.04, 1.34, 639.9, 477.09]
```

Có ba cách khác để khởi tạo một mô hình DAB-DETR (tùy thuộc vào sở thích của bạn):

Tùy chọn 1: Khởi tạo DAB-DETR với trọng số được huấn luyện trước cho toàn bộ mô hình

```python
from transformers import DabDetrForObjectDetection

model = DabDetrForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50", device_map="auto")
```

Tùy chọn 2: Khởi tạo DAB-DETR với trọng số được khởi tạo ngẫu nhiên cho Transformer, nhưng dùng trọng số đã huấn luyện trước cho backbone

```python
from transformers import DabDetrConfig, DabDetrForObjectDetection

config = DabDetrConfig()
model = DabDetrForObjectDetection(config)
```

Tùy chọn 3: Khởi tạo DAB-DETR với trọng số được khởi tạo ngẫu nhiên cho backbone + Transformer

```py
config = DabDetrConfig()
model = DabDetrForObjectDetection(config)
```

## DabDetrConfig[[transformers.DabDetrConfig]]

#### transformers.DabDetrConfig[[transformers.DabDetrConfig]]

```python
transformers.DabDetrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, is_encoder_decoder: bool = True, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, num_queries: int = 300, encoder_layers: int = 6, encoder_ffn_dim: int = 2048, encoder_attention_heads: int = 8, decoder_layers: int = 6, decoder_ffn_dim: int = 2048, decoder_attention_heads: int = 8, activation_function: str = 'prelu', hidden_size: int = 256, dropout: float | int = 0.1, attention_dropout: float | int = 0.0, activation_dropout: float | int = 0.0, init_std: float = 0.02, init_xavier_std: float = 1.0, auxiliary_loss: bool = False, dilation: bool = False, class_cost: int = 2, bbox_cost: int = 5, giou_cost: int = 2, cls_loss_coefficient: int = 2, bbox_loss_coefficient: int = 5, giou_loss_coefficient: int = 2, focal_alpha: float = 0.25, temperature_height: int = 20, temperature_width: int = 20, query_dim: int = 4, random_refpoints_xy: bool = False, keep_query_pos: bool = False, num_patterns: int = 0, normalize_before: bool = False, sine_position_embedding_scale: float | None = None, initializer_bias_prior_prob: float | None = None, tie_word_embeddings: bool = True)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dab_detr/configuration_dab_detr.py#L25)

**Tham số:**

is_encoder_decoder (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có được sử dụng như một bộ mã hóa/giải mã hay không.

backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone.

num_queries (`int`, *tuỳ chọn*, mặc định là 300) : Số lượng truy vấn đối tượng, tức là các khe phát hiện. Đây là số lượng đối tượng tối đa mà [DabDetrModel](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrModel) có thể phát hiện trong một hình ảnh. Đối với COCO, chúng tôi khuyến nghị sử dụng 100 truy vấn.

encoder_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ mã hóa Transformer. Sẽ sử dụng cùng giá trị với `num_layers` nếu không được đặt.

encoder_ffn_dim (`int`, *optional*, mặc định là `2048`) : Chiều của lớp "intermediate" (thường được gọi là feed-forward) trong encoder.

encoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer.

decoder_layers (`int`, *tuỳ 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`, *tuỳ chọn*, mặc định là `2048`) : Độ lớn chiều của lớp "trung gian" (thường được gọi là lớp feed-forward) trong bộ giải mã.

decoder_attention_heads (`int`, *tuỳ 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 `prelu`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

hidden_size (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các biểu diễn ẩn.

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.

init_std (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

init_xavier_std (`float`, *tùy chọn*, mặc định là `1.0`) : Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention.

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.

dilation (`bool`, *tuỳ chọn*, mặc định là `False`) : Có thay thế stride bằng dilation trong khối convolutional cuối cùng (DC5) hay không. Chỉ được hỗ trợ khi `use_timm_backbone` = `True`.

class_cost (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.

bbox_cost (`int`, *optional*, mặc định là `5`) : Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian.

giou_cost (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian.

cls_loss_coefficient (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất phân loại trong tổn thất phân đoạn panoptic.

bbox_loss_coefficient (`int`, *tuỳ chọn*, mặc định là `5`) : Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phân đoạn toàn cảnh.

giou_loss_coefficient (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phân đoạn panoptic.

focal_alpha (`float`, *tuỳ chọn*, mặc định là `0.25`) : Tham số Alpha trong focal loss.

temperature_height (`int`, *tuỳ chọn*, mặc định là 20) : Tham số Temperature để điều chỉnh độ phẳng của chú ý vị trí (HEIGHT)

temperature_width (`int`, *tuỳ chọn*, mặc định là 20) : Tham số Temperature để điều chỉnh độ phẳng của positional attention (WIDTH)

query_dim (`int`, *tuỳ chọn*, mặc định là 4) : Tham số kích thước truy vấn đại diện cho kích thước của vector đầu ra.

random_refpoints_xy (`bool`, *tùy chọn*, mặc định là `False`) : Có nên cố định tọa độ x và y của các hộp neo với khởi tạo ngẫu nhiên hay không.

keep_query_pos (`bool`, *tùy chọn*, mặc định là `False`) : Có nên nối (concatenate) embedding vị trí đã chiếu (projected) từ object query vào query (key) gốc trong mỗi lớp decoder hay không.

num_patterns (`int`, *tuỳ chọn*, mặc định là 0) : Số lượng pattern embeddings.

normalize_before (`bool`, *tùy chọn*, mặc định là `False`) : Xác định có sử dụng lớp chuẩn hóa trong Encoder hay không.

sine_position_embedding_scale (`float`, *tuỳ chọn*, mặc định là 'None') : Hệ số tỷ lệ được áp dụng cho các mã vị trí đã được chuẩn hóa.

initializer_bias_prior_prob (`float`, *optional*) : Xác suất tiên nghiệm được sử dụng bởi bộ khởi tạo bias để khởi tạo bias cho `enc_score_head` và `class_embed`. Nếu `None`, `prior_prob` được tính là `prior_prob = 1 / (num_labels + 1)` trong khi khởi tạo trọng số mô hình.

tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `True`) : Có nên gắn kết các nhúng trọng số 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 Dab DetrModel. Nó được sử dụng để khởi tạo một mô hình Dab Detr 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 [IDEA-Research/dab-detr-resnet-50](https://huggingface.co/IDEA-Research/dab-detr-resnet-50)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import DabDetrConfig, DabDetrModel

>>> # Initializing a DAB-DETR IDEA-Research/dab-detr-resnet-50 style configuration
>>> configuration = DabDetrConfig()

>>> # Initializing a model (with random weights) from the IDEA-Research/dab-detr-resnet-50 style configuration
>>> model = DabDetrModel(configuration)

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

## DabDetrModel[[transformers.DabDetrModel]]

#### transformers.DabDetrModel[[transformers.DabDetrModel]]

```python
transformers.DabDetrModel(config: DabDetrConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dab_detr/modeling_dab_detr.py#L1144)

**Tham số:**

config ([DabDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrConfig)) : 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()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình DAB-DETR cơ bản (gồm một backbone và Transformer encoder-decoder) xuất ra các hidden-states thô, các trạng thái ẩn trung gian, các điểm tham chiếu, các tọa độ đầu ra mà không có bất kỳ head cụ thể nào ở phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.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 ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.DabDetrModel.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dab_detr/modeling_dab_detr.py#L1196)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh).

pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

decoder_attention_mask (`torch.Tensor` có hình dạng `(batch_size, num_queries)`, *tùy chọn*) : Không được sử dụng theo mặc định. Có thể được dùng để che (mask) các truy vấn đối tượng.

encoder_outputs (`torch.Tensor`, *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.

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền bản đồ đặc tính đã được làm phẳng (đầu ra của lớp backbone + lớp chiếu), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của một hình ảnh.

decoder_inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì khởi tạo các query bằng một tensor các số 0, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn 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 trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** `DabDetrModelOutput` hoặc `tuple(torch.Tensor)`

Một `DabDetrModelOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([DabDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrConfig)) và đầu vào.

Phương thức forward của [DabDetrModel](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrModel) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng.

- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.

  Nếu `past_key_values` được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi có shape `(batch_size, 1, hidden_size)` được xuất ra.
- **past_key_values** (`EncoderDecoderCache`, *tùy chọn*, được trả về khi `use_cache=True` được truyền vào hoặc khi `config.use_cache=True`) -- Đây là một instance của [EncoderDecoderCache](/docs/transformers/v5.23.0/vi/internal/generation_utils#transformers.EncoderDecoderCache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi.

  Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và trong các khối cross-attention) có thể được sử dụng (xem đầu vào `past_key_values`) để tăng tốc độ giải mã tuần tự.
- **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`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, 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 các đầu ra nhúng ban đầu tùy chọn.
- **decoder_attentions** (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ 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).
- **cross_attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
- **encoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.
- **encoder_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`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của các embedding, 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 mã hóa tại đầu ra của mỗi lớp cùng với các đầu ra nhúng ban đầu tùy chọn.
- **encoder_attentions** (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ 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 mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự thân.
- **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(config.decoder_layers, batch_size, sequence_length, hidden_size)`, *tùy chọn*, được trả về khi `config.auxiliary_loss=True`) -- Các kích hoạt trung gian của bộ giải mã, tức là đầu ra của từng lớp giải mã, mỗi lớp đã đi qua một layernorm.
- **reference_points** (`torch.Tensor` có hình dạng `(config.decoder_layers, batch_size, num_queries, 2 (anchor points))`) -- Các điểm tham chiếu (điểm tham chiếu của từng lớp trong decoder).

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, 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()))

>>> image_processor = AutoImageProcessor.from_pretrained("IDEA-Research/dab-detr-resnet-50")
>>> model = AutoModel.from_pretrained("IDEA-Research/dab-detr-resnet-50")

>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**inputs)

>>> # the last hidden states are the final query embeddings of the Transformer decoder
>>> # these are of shape (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]
```

## DabDetrForObjectDetection[[transformers.DabDetrForObjectDetection]]

#### transformers.DabDetrForObjectDetection[[transformers.DabDetrForObjectDetection]]

```python
transformers.DabDetrForObjectDetection(config: DabDetrConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dab_detr/modeling_dab_detr.py#L1416)

**Tham số:**

config ([DabDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrConfig)) : 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()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình DAB_DETR (gồm một backbone và Transformer encoder-decoder) với các đầu dò phát hiện đối tượng phía trên, dành cho các tác vụ như phát hiện COCO.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.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 ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.DabDetrForObjectDetection.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, decoder_inputs_embeds: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dab_detr/modeling_dab_detr.py#L1445)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh).

pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

decoder_attention_mask (`torch.Tensor` có hình dạng `(batch_size, num_queries)`, *tùy chọn*) : Không được sử dụng theo mặc định. Có thể được dùng để che (mask) các truy vấn đối tượng.

encoder_outputs (`torch.Tensor`, *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.

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền bản đồ đặc tính đã được làm phẳng (đầu ra của lớp backbone + lớp chiếu), bạn có thể chọn trực tiếp truyền một biểu diễn đã làm phẳng của một hình ảnh.

decoder_inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì khởi tạo các query bằng một tensor các số 0, bạn có thể chọn truyền trực tiếp một biểu diễn nhúng.

labels (`list[Dict]` có độ dài `(batch_size,)`, *tùy chọn*) : Nhãn để tính toán tổn thất khớp hai phần. 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)`.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn 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 trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** `DabDetrObjectDetectionOutput` hoặc `tuple(torch.Tensor)`

Một `DabDetrObjectDetectionOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([DabDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrConfig)) và đầu vào.

Phương thức forward của [DabDetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/dab-detr#transformers.DabDetrForObjectDetection) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp)) -- Tổng loss dưới dạng tổ hợp tuyến tính của negative log-likelihood (cross-entropy) cho dự đoán lớp và bounding box loss. Phần sau được định nghĩa là tổ hợp tuyến tính của L1 loss và generalized scale-invariant IoU loss.
- **loss_dict** (`Dict`, *tùy chọn*) -- Một từ điển chứa các giá trị loss riêng lẻ. Hữu ích cho việc ghi log.
- **logits** (`torch.Tensor` có shape `(batch_size, num_queries, num_classes + 1)`) -- Logits phân loại (bao gồm no-object) cho tất cả các query.
- **pred_boxes** (`torch.Tensor` có shape `(batch_size, num_queries, 4)`) -- Tọa độ hộp đã được chuẩn hóa cho tất cả các query, được biểu diễn dưới dạng (center_x, center_y, width, height). Các giá trị này được chuẩn hóa trong khoảng [0, 1], tương đối với kích thước của từng hình ảnh riêng lẻ trong batch (bỏ qua padding nếu có). Bạn có thể sử dụng `~DabDetrImageProcessor.post_process_object_detection` để lấy các hộp giới hạn chưa được chuẩn hóa.
- **auxiliary_outputs** (`list[Dict]`, *tuỳ chọn*) -- Tuỳ chọn, chỉ được trả về khi các tổn thất phụ được kích hoạt (tức là `config.auxiliary_loss` được đặt thành `True`) và nhãn được cung cấp. Đây là một danh sách các từ điển chứa hai khóa nêu trên (`logits` và `pred_boxes`) cho mỗi lớp giải mã.
- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
- **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`) -- Bộ tuple các `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[torch.Tensor]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ 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).
- **cross_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
- **encoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.
- **encoder_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`) -- Bộ tuple các `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 mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
- **encoder_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ 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 mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự thân.

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, AutoModelForObjectDetection
>>> 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("IDEA-Research/dab-detr-resnet-50")
>>> model = AutoModelForObjectDetection.from_pretrained("IDEA-Research/dab-detr-resnet-50")

>>> inputs = image_processor(images=image, return_tensors="pt")

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

>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([(image.height, image.width)])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.5, 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 remote with confidence 0.833 at location [38.31, 72.1, 177.63, 118.45]
Detected cat with confidence 0.831 at location [9.2, 51.38, 321.13, 469.0]
Detected cat with confidence 0.804 at location [340.3, 16.85, 642.93, 370.95]
Detected remote with confidence 0.683 at location [334.48, 73.49, 366.37, 190.01]
Detected couch with confidence 0.535 at location [0.52, 1.19, 640.35, 475.1]
```

