# RT-DETRv2

## Tổng quan

Mô hình RT-DETRv2 được đề xuất trong [RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer](https://huggingface.co/papers/2407.17140) bởi Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu.

RT-DETRv2 cải tiến RT-DETR bằng cách giới thiệu trích xuất đặc trưng đa tỷ lệ có chọn lọc, một toán tử lấy mẫu rời rạc để tăng khả năng tương thích triển khai rộng rãi, và các chiến lược huấn luyện được cải thiện như tăng cường dữ liệu động và siêu tham số thích ứng theo tỷ lệ. Những thay đổi này nâng cao tính linh hoạt và tính thực tiễn trong khi vẫn duy trì hiệu suất thời gian thực.

Tóm tắt từ bài báo như sau:

*Trong báo cáo này, chúng tôi giới thiệu RT-DETRv2, phiên bản cải tiến của Real-Time DEtection TRansformer (RT-DETR). RT-DETRv2 được xây dựng dựa trên bộ phát hiện thời gian thực tiên tiến trước đó, RT-DETR, và mở ra một loạt các cải tiến không tốn thêm chi phí suy luận nhằm tăng tính linh hoạt và tính thực dụng, đồng thời tối ưu hóa chiến lược huấn luyện để đạt hiệu suất cao hơn. Để cải thiện tính linh hoạt, chúng tôi đề xuất thiết lập số lượng điểm lấy mẫu riêng biệt cho các đặc trưng ở các tỷ lệ khác nhau trong cơ chế chú ý biến dạng (deformable attention), qua đó cho phép bộ giải mã (decoder) thực hiện trích xuất đặc trưng đa tỷ lệ có chọn lọc. Để tăng tính thực dụng, chúng tôi đề xuất một toán tử lấy mẫu rời rạc tùy chọn nhằm thay thế toán tử grid_sample, vốn là thành phần đặc thù của RT-DETR so với các mô hình YOLO. Điều này loại bỏ các ràng buộc triển khai thường gặp ở các mô hình DETR. Về chiến lược huấn luyện, chúng tôi đề xuất tăng cường dữ liệu động (dynamic data augmentation) và tùy chỉnh siêu tham số thích ứng theo tỷ lệ (scale-adaptive hyperparameters customization) để cải thiện hiệu suất mà không làm giảm tốc độ.*

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

## Mẹo sử dụng

Phiên bản thứ hai của RT-DETR cải thiện cách bộ giải mã tìm các đối tượng trong một hình ảnh.

- **mẫu tốt hơn** – điều chỉnh các độ lệch để mô hình nhìn vào đúng các vùng
- **flexible attention** – có thể sử dụng lấy mẫu mượt (hai tuyến tính) hoặc cố định (rời rạc)
- **xử lý tối ưu** – cải thiện cách trọng số chú ý trộn lẫn thông tin

Mô hình được thiết kế để sử dụng trên các hình ảnh đã được điều chỉnh kích thước thành 640x640 bằng ImageProcessor tương ứng. Việc thay đổi hình dạng sang các kích thước khác thường sẽ làm giảm hiệu suất.

```python
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]
```

## Tài nguyên

Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với RT-DETRv2.

- Xem thêm: [Hướng dẫn tác vụ phát hiện đối tượng](../tasks/object_detection).
- Notebooks cho [inference](https://github.com/qubvel/transformers-notebooks/blob/main/notebooks/RT_DETR_v2_inference.ipynb) và [fine-tuning](https://github.com/qubvel/transformers-notebooks/blob/main/notebooks/RT_DETR_v2_finetune_on_a_custom_dataset.ipynb) RT-DETRv2 trên một tập dữ liệu tùy chỉnh (🌎).

## RTDetrV2Config[[transformers.RTDetrV2Config]]

#### transformers.RTDetrV2Config[[transformers.RTDetrV2Config]]

```python
transformers.RTDetrV2Config(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, initializer_range: float = 0.01, initializer_bias_prior_prob: float | None = None, layer_norm_eps: float = 1e-05, batch_norm_eps: float = 1e-05, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, freeze_backbone_batch_norms: bool = True, encoder_hidden_dim: int = 256, encoder_in_channels: list[int] | tuple[int, ...] = (512, 1024, 2048), feat_strides: list[int] | tuple[int, ...] = (8, 16, 32), encoder_layers: int = 1, encoder_ffn_dim: int = 1024, encoder_attention_heads: int = 8, dropout: float | int = 0.0, activation_dropout: float | int = 0.0, encode_proj_layers: list[int] | tuple[int, ...] = (2,), positional_encoding_temperature: int = 10000, encoder_activation_function: str = 'gelu', activation_function: str = 'silu', eval_size: int | None = None, normalize_before: bool = False, hidden_expansion: float = 1.0, d_model: int = 256, num_queries: int = 300, decoder_in_channels: list[int] | tuple[int, ...] = (256, 256, 256), decoder_ffn_dim: int = 1024, num_feature_levels: int = 3, decoder_n_points: int = 4, decoder_layers: int = 6, decoder_attention_heads: int = 8, decoder_activation_function: str = 'relu', attention_dropout: float | int = 0.0, num_denoising: int = 100, label_noise_ratio: float = 0.5, box_noise_scale: float = 1.0, learn_initial_query: bool = False, anchor_image_size: int | list[int] | None = None, with_box_refine: bool = True, matcher_alpha: float = 0.25, matcher_gamma: float = 2.0, matcher_class_cost: float = 2.0, matcher_bbox_cost: float = 5.0, matcher_giou_cost: float = 2.0, use_focal_loss: bool = True, auxiliary_loss: bool = True, focal_loss_alpha: float = 0.75, focal_loss_gamma: float = 2.0, weight_loss_vfl: float = 1.0, weight_loss_bbox: float = 5.0, weight_loss_giou: float = 2.0, eos_coefficient: float = 0.0001, decoder_n_levels: int = 3, decoder_offset_scale: float = 0.5, decoder_method: str = 'default', tie_word_embeddings: bool = True)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rt_detr_v2/configuration_rt_detr_v2.py#L29)

**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.

initializer_range (`float`, *optional*, mặc định là `0.01`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

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.

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

batch_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa theo lô (batch normalization).

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

freeze_backbone_batch_norms (`bool`, *tùy chọn*, mặc định là `True`) : Có nên đóng băng các lớp chuẩn hóa lô (batch normalization) trong khung xương (backbone) hay không.

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

encoder_in_channels (`list`, *tùy chọn*, mặc định là `[512, 1024, 2048]`) : Đầu vào đặc trưng đa cấp cho bộ mã hóa.

feat_strides (`list[int]`, *tùy chọn*, mặc định là `[8, 16, 32]`) : Các bước nhảy (strides) được sử dụng trong mỗi bản đồ đặc trưng.

encoder_layers (`int`, *tuỳ chọn*, mặc định là `1`) : Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống với `num_layers`.

encoder_ffn_dim (`int`, *optional*, mặc định là `1024`) : Độ 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.

dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ cho tất cả các lớp dropout.

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.

encode_proj_layers (`list[int]`, *tuỳ chọn*, mặc định là `[2]`) : Chỉ số của các lớp được chiếu (projected) sẽ được sử dụng trong bộ mã hóa (encoder).

positional_encoding_temperature (`int`, *tuỳ chọn*, mặc định là 10000) : Tham số nhiệt độ được sử dụng để tạo các mã hóa vị trí.

encoder_activation_function (`str`, *tùy chọn*, mặc định là `"gelu"`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong encoder và pooler. Nếu là chuỗi, `"gelu"`, `"relu"`, `"silu"` và `"gelu_new"` được hỗ trợ.

activation_function (`str`, *tùy chọn*, mặc định là `"silu"`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong lớp chung. Nếu là chuỗi, `"gelu"`, `"relu"`, `"silu"` và `"gelu_new"` được hỗ trợ.

eval_size (`tuple[int, int]`, *tùy chọn*) : Chiều cao và chiều rộng được sử dụng để tính chiều cao và chiều rộng hiệu dụng của các nhúng vị trí sau khi tính đến bước nhảy (stride).

normalize_before (`bool`, *tùy chọn*, mặc định là `False`) : Xác định việc có áp dụng layer normalization trong lớp encoder của transformer trước các module self-attention và feed-forward hay không.

hidden_expansion (`float`, *optional*, mặc định là 1.0) : Tỷ lệ mở rộng để tăng kích thước chiều của RepVGGBlock và CSPRepLayer.

d_model (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các lớp encoder và lớp pooler.

num_queries (`int`, *tuỳ chọn*, mặc định là 300) : Số lượng truy vấn đối tượng.

decoder_in_channels (`list`, *tùy chọn*, mặc định là `[256, 256, 256]`) : Kích thước đặc trưng đa cấp cho bộ giải mã

decoder_ffn_dim (`int`, *optional*, mặc định là `1024`) : Độ chiều của lớp "intermediate" (thường được gọi là feed-forward) trong decoder.

num_feature_levels (`int`, *tuỳ chọn*, mặc định là 3) : Số lượng cấp độ đặc trưng đầu vào.

decoder_n_points (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng các key được lấy mẫu ở mỗi cấp độ đặc trưng cho mỗi đầu chú ý trong bộ giải mã.

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

decoder_activation_function (`str`, *tùy chọn*, mặc định là `"relu"`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Nếu là chuỗi, `"gelu"`, `"relu"`, `"silu"` và `"gelu_new"` được hỗ trợ.

attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý.

num_denoising (`int`, *tuỳ chọn*, mặc định là 100) : Tổng số tác vụ hoặc truy vấn khử nhiễu sẽ được sử dụng cho khử nhiễu tương phản.

label_noise_ratio (`float`, *tuỳ chọn*, mặc định là 0.5) : Tỷ lệ nhãn khử nhiễu cần thêm nhiễu ngẫu nhiên.

box_noise_scale (`float`, *tuỳ chọn*, mặc định là 1.0) : Thang đo hoặc độ lớn của nhiễu sẽ được thêm vào các hộp bao.

learn_initial_query (`bool`, *tùy chọn*, mặc định là `False`) : Chỉ định xem các embedding truy vấn ban đầu cho bộ giải mã có nên được học trong quá trình huấn luyện hay không

anchor_image_size (`tuple[int, int]`, *optional*) : Chiều cao và chiều rộng của ảnh đầu vào được sử dụng trong quá trình đánh giá để tạo các neo hộp bao (bounding box anchors). Nếu là None, việc tạo neo tự động sẽ được áp dụng.

with_box_refine (`bool`, *tùy chọn*, mặc định là `True`) : Xác định có áp dụng tinh chỉnh hộp bao lặp lại hay không, trong đó mỗi lớp giải mã sẽ tinh chỉnh các hộp bao dựa trên dự đoán từ lớp trước đó.

matcher_alpha (`float`, *tuỳ chọn*, mặc định là 0.25) : Tham số alpha được sử dụng bởi Hungarian Matcher.

matcher_gamma (`float`, *tuỳ chọn*, mặc định là 2.0) : Tham số gamma được sử dụng bởi Hungarian Matcher.

matcher_class_cost (`float`, *optional*, mặc định là 2.0) : Trọng số tương đối của tổn thất lớp được sử dụng bởi Hungarian Matcher.

matcher_bbox_cost (`float`, *tuỳ chọn*, mặc định là 5.0) : Trọng số tương đối của tổn thất hộp bao (bounding box loss) được sử dụng bởi Hungarian Matcher.

matcher_giou_cost (`float`, *optional*, mặc định là 2.0) : Trọng số tương đối của giou loss được sử dụng bởi Hungarian Matcher.

use_focal_loss (`bool`, *tùy chọn*, mặc định là `True`) : Tham số cho biết có nên sử dụng focal loss hay không.

auxiliary_loss (`bool`, *tùy chọn*, mặc định là `True`) : Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không.

focal_loss_alpha (`float`, *tuỳ chọn*, mặc định là 0.75) : Tham số alpha được sử dụng để tính toán focal loss.

focal_loss_gamma (`float`, *tuỳ chọn*, mặc định là 2.0) : Tham số gamma được sử dụng để tính toán focal loss.

weight_loss_vfl (`float`, *tuỳ chọn*, mặc định là 1.0) : Trọng số tương đối của varifocal loss trong object detection loss.

weight_loss_bbox (`float`, *tuỳ chọn*, mặc định là 5.0) : Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phát hiện đối tượng.

weight_loss_giou (`float`, *optional*, mặc định là 2.0) : Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phát hiện đối tượng.

eos_coefficient (`float`, *tuỳ chọn*, mặc định là `0.0001`) : Trọng số phân loại tương đối của lớp 'no-object' trong hàm mất mát phát hiện đối tượng.

decoder_n_levels (`int`, *tuỳ chọn*, mặc định là 3) : Số lượng cấp độ đặc trưng được sử dụng bởi bộ giải mã.

decoder_offset_scale (`float`, *tuỳ chọn*, mặc định là 0.5) : Hệ số tỷ lệ được áp dụng cho các độ dịch chuyển chú ý trong bộ giải mã.

decoder_method (`str`, *tùy chọn*, mặc định là `"default"`) : Phương pháp sử dụng cho bộ giải mã: `"default"` hoặc `"discrete"`.

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 RTDetrV2Model. Nó được sử dụng để khởi tạo một mô hình Rt Detr V2 theo các đối số được chỉ định, xác định kiến trúc 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 [PekingU/rtdetr_r18vd](https://huggingface.co/PekingU/rtdetr_r18vd)

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 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.config
```

## RTDetrV2Model[[transformers.RTDetrV2Model]]

#### transformers.RTDetrV2Model[[transformers.RTDetrV2Model]]

```python
transformers.RTDetrV2Model(config: RTDetrV2Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rt_detr_v2/modeling_rt_detr_v2.py#L1343)

**Tham số:**

config ([RTDetrV2Config](/docs/transformers/v5.23.0/vi/model_doc/rt_detr_v2#transformers.RTDetrV2Config)) : 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 RT-DETR (gồm một backbone và encoder-decoder) xuất ra các hidden state thô mà không có head 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.RTDetrV2Model.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rt_detr_v2/modeling_rt_detr_v2.py#L1462)

**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)

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.

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)`.

**Trả về:** `RTDetrV2ModelOutput` hoặc `tuple(torch.Tensor)`

Một `RTDetrV2ModelOutput` 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 (`None`) và đầu vào.

Phương thức forward của [RTDetrV2Model](/docs/transformers/v5.23.0/vi/model_doc/rt_detr_v2#transformers.RTDetrV2Model) 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, num_queries, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
- **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
- **intermediate_logits** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, sequence_length, config.num_labels)`) -- Các logits trung gian được xếp chồng (logits của từng lớp trong bộ giải mã).
- **intermediate_reference_points** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).
- **intermediate_predicted_corners** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các góc dự đoán trung gian được xếp chồng (góc dự đoán của từng lớp trong decoder).
- **initial_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được sử dụng cho lớp decoder đầu tiên.
- **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.
- **init_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.
- **enc_topk_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`) -- Điểm số của các hộp bao dự đoán, trong đó `config.two_stage_num_proposals` hộp bao có điểm số cao nhất được chọn làm đề xuất vùng ở giai đoạn encoder. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh).
- **enc_topk_bboxes** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, 4)`) -- Logits của tọa độ hộp bao dự đoán ở giai đoạn encoder.
- **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Điểm số của các hộp bao dự đoán, trong đó `config.two_stage_num_proposals` hộp bao có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn đầu. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh).
- **enc_outputs_coord_logits** (`torch.Tensor` có shape `(batch_size, sequence_length, 4)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.
- **denoising_meta_values** (`dict`, *tùy chọn*) -- Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu.

Ví dụ:

```python
>>> 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[[transformers.RTDetrV2ForObjectDetection]]

#### transformers.RTDetrV2ForObjectDetection[[transformers.RTDetrV2ForObjectDetection]]

```python
transformers.RTDetrV2ForObjectDetection(config: RTDetrV2Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rt_detr_v2/modeling_rt_detr_v2.py#L1765)

**Tham số:**

config ([RTDetrV2Config](/docs/transformers/v5.23.0/vi/model_doc/rt_detr_v2#transformers.RTDetrV2Config)) : 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 RT-DETR (gồm một backbone và encoder-decoder) tạo ra các bounding box và logits để tiếp tục giải mã thành điểm số và lớp.

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.RTDetrV2ForObjectDetection.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rt_detr_v2/modeling_rt_detr_v2.py#L1798)

**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)

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.

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)`.

**Trả về:** `RTDetrV2ObjectDetectionOutput` hoặc `tuple(torch.Tensor)`

Một `RTDetrV2ObjectDetectionOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào.

Phương thức forward của [RTDetrV2ForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/rt_detr_v2#transformers.RTDetrV2ForObjectDetection) 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 bao đã 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 so với kích thước của từng ảnh riêng lẻ trong batch (bỏ qua phần padding nếu có). Bạn có thể sử dụng `~RTDetrV2ImageProcessor.post_process_object_detection` để lấy các hộp bao tuyệt đối (chưa 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, num_queries, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
- **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
- **intermediate_logits** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, config.num_labels)`) -- Các logits trung gian được xếp chồng (logits của từng lớp trong bộ giải mã).
- **intermediate_reference_points** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các điểm tham chiếu trung gian được xếp chồng (điểm tham chiếu của từng lớp trong bộ giải mã).
- **intermediate_predicted_corners** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các góc dự đoán trung gian được xếp chồng (góc dự đoán của từng lớp trong decoder).
- **initial_reference_points** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được xếp chồng (điểm tham chiếu ban đầu của từng lớp trong bộ giải mã).
- **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.
- **init_reference_points** (`torch.Tensor` có hình dạng  `(batch_size, num_queries, 4)`) -- Các điểm tham chiếu ban đầu được truyền qua bộ giải mã Transformer.
- **enc_topk_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ hộp bao (bounding box) được dự đoán trong encoder.
- **enc_topk_bboxes** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, 4)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ hộp bao (bounding box) dự đoán trong encoder.
- **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Điểm số của các hộp bao dự đoán, trong đó `config.two_stage_num_proposals` hộp bao có điểm cao nhất được chọn làm đề xuất vùng ở giai đoạn đầu. Đầu ra của phân loại nhị phân hộp bao (tức là tiền cảnh và hậu cảnh).
- **enc_outputs_coord_logits** (`torch.Tensor` có shape `(batch_size, sequence_length, 4)`, *tùy chọn*, được trả về khi `config.with_box_refine=True` và `config.two_stage=True`) -- Logits của tọa độ bounding box dự đoán ở giai đoạn đầu.
- **denoising_meta_values** (`dict`, *tùy chọn*) -- Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu

Ví dụ:

```python
>>> 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]
```

