【深度学习】计算机视觉（CV）-目标检测-DETR（DEtection TRansformer）—— 基于 Transformer 的端到端目标检测

1.什么是 DETR？

DETR（DEtection TRansformer） 是 Facebook AI（FAIR）于 2020 年提出的 端到端目标检测算法，它基于 Transformer 架构，消除了 Faster R-CNN、YOLO 等方法中的 候选框（Anchor Boxes） 和 非极大值抑制（NMS） 机制，使目标检测变得更简单、高效。

论文：End-to-End Object Detection with Transformers

---

2.DETR 的核心特点

• 基于 Transformer 进行目标检测，摆脱了 CNN 传统的 Anchor 机制
• 端到端训练，无需像 Faster R-CNN 额外使用 RPN 进行候选框生成
• 全局注意力机制（Self-Attention），可以建模远距离依赖关系，提高检测精度
• 自动去重，不需要 NMS 后处理步骤
• 适用于复杂场景，如密集目标检测

---

3.DETR 的工作流程

DETR 由 三部分 组成：

• CNN 提取图像特征（ResNet-50 / ResNet-101）
• Transformer 进行目标检测（编码器 + 解码器）
• 最终预测目标类别和边界框（分类 + 位置回归）

 DETR 结构示意图

输入图片 -> CNN 提取特征 -> Transformer 处理特征 -> 预测目标类别 + 边界框

---

4.DETR 代码示例

使用 PyTorch 进行 DETR 目标检测

import torch
import torchvision.transforms as T
from PIL import Image
import requests

# 载入 DETR 预训练模型
detr = torch.hub.load('facebookresearch/detr', 'detr_resnet50', pretrained=True, trust_repo=True)
detr.eval()

# 加载图片并进行预处理
image_path = r"D:\Pictures\test.jpeg"
image = Image.open(image_path)

transform = T.Compose([T.Resize(800), T.ToTensor()])
img_tensor = transform(image).unsqueeze(0)

# 进行目标检测
with torch.no_grad():
    outputs = detr(img_tensor)

# 输出检测结果
print(outputs)

运行结果 

{'pred_logits': tensor([[[-17.4480,  -1.4711,  -6.0746,  ..., -10.0646,  -7.2832,  11.1362],
         [-17.7877,  -1.7454,  -5.9165,  ..., -11.6356,  -8.4581,  10.7261],
         [-18.3903,  -1.3194,  -7.6447,  ..., -11.3595,  -6.6635,  11.2573],
         ...,
         [-18.0295,  -1.6913,  -6.6354,  ..., -11.4836,  -7.7729,  10.9814],
         [-14.4323,   1.3790,  -4.2558,  ..., -11.5297,  -7.8083,   8.1644],
         [-17.6349,  -1.6041,  -6.4100,  ..., -11.2120,  -7.4216,  10.7064]]]), 'pred_boxes': tensor([[[0.4990, 0.5690, 0.4764, 0.7080],
         [0.5039, 0.5219, 0.4657, 0.6124],
         [0.3920, 0.5463, 0.2963, 0.6085],
         [0.5231, 0.5180, 0.4489, 0.6110],
         [0.4986, 0.5346, 0.4989, 0.5883],
         [0.5145, 0.5258, 0.5162, 0.6123],
         [0.4251, 0.5273, 0.3235, 0.5911],
         [0.4012, 0.5339, 0.2816, 0.5804],
         [0.4025, 0.5263, 0.2526, 0.5638],
         [0.5153, 0.5249, 0.4807, 0.6065],
         [0.6775, 0.8235, 0.0436, 0.0436],
         [0.4380, 0.5365, 0.3368, 0.5919],
         [0.5044, 0.5242, 0.4791, 0.6314],
         [0.7352, 0.8131, 0.0248, 0.0464],
         [0.4567, 0.8361, 0.0448, 0.0530],
         [0.4981, 0.5287, 0.4715, 0.6199],
         [0.5047, 0.5239, 0.4570, 0.6045],
         [0.6295, 0.5182, 0.2367, 0.6062],
         [0.5980, 0.5261, 0.2878, 0.6313],
         [0.5106, 0.5218,

代码解析

• 载入 Facebook 预训练的 DETR 模型（detr_resnet50）
• 使用 ResNet 预处理输入图像
• 利用 Transformer 进行目标检测 并输出检测框

---

5.DETR vs Faster R-CNN vs YOLO

模型	方法	检测方式	速度（FPS）	mAP（COCO）	特点
Faster R-CNN	双阶段	RPN + ROI 池化	⏳ 5-10	🎯 76.4%	高精度，速度慢
YOLOv8	单阶段	直接预测类别 + 边界框	⚡ 60+	🎯 92%	速度快，适合实时检测
DETR	端到端	Transformer 进行检测	⏳ 15	🎯 94%	无 Anchor / NMS

• DETR 适用于端到端目标检测，适合大规模数据和复杂场景。
• YOLO 适用于实时检测，而 Faster R-CNN 适用于高精度任务。

---

6.DETR 的优化方向

• DETR 速度较慢，可优化 Transformer 计算效率（如 Deformable DETR）
• 提升小目标检测能力（DETR 需要更大数据集进行训练）
• 轻量化 DETR（如 Mobile-DETR）以适应移动端部署

---

7.结论

• DETR 通过 Transformer 解决了目标检测中的 Anchor 机制问题，简化了流程。
• 它具有端到端训练的优势，但速度较慢，适用于高精度目标检测任务。
• 随着 Transformer 在计算机视觉中的应用（如 ViT），DETR 可能成为未来目标检测的主流。