# RF-DETR

[RF-DETR](https://github.com/roboflow/rf-detr) đề xuất kiến trúc Receptive Field Detection Transformer (DETR) được thiết kế để cạnh tranh và vượt qua dòng YOLO đang thống trị trong phát hiện đối tượng thời gian thực. Nó đạt được sự cân bằng mới giữa tốc độ (độ trễ) và độ chính xác (mAP) bằng cách kết hợp các tiến bộ gần đây của transformer với các lựa chọn thiết kế hiệu quả.

Kiến trúc RF-DETR được đặc trưng bởi cấu trúc đơn giản và hiệu quả: một Backbone DINOv2, một Projector và một Decoder DETR nông. Nó tăng cường kiến trúc DETR về hiệu quả và tốc độ bằng các thay đổi cốt lõi sau:

1. **Backbone DINOv2**: Sử dụng backbone DINOv2 mạnh mẽ để trích xuất đặc trưng một cách vững chắc.
2. **Đào tạo Group DETR**: Sử dụng Gán Một-đến-Nhiều Theo Nhóm trong quá trình đào tạo để tăng tốc độ hội tụ.
3. **Đầu vào phong phú hơn**: Tổng hợp các đặc trưng đa cấp từ backbone và sử dụng Projector C2f (tương tự YOLOv8) để truyền các đặc trưng đa tỷ lệ.
4. **Faster Decoder**: Sử dụng bộ giải mã DETR nông 3 lớp với chú ý chéo biến dạng (deformable cross-attention) để giảm độ trễ.
5. **Các truy vấn được tối ưu hóa**: Sử dụng cơ chế truy vấn hỗn hợp kết hợp các truy vấn nội dung có thể học được và các truy vấn không gian được tạo ra.

Bạn có thể tìm thấy tất cả các checkpoint RF-DETR khả dụng dưới tổ chức [Roboflow](https://huggingface.co/Roboflow). Mã nguồn gốc có thể được tìm thấy [tại đây](https://github.com/roboflow/rf-detr).

Nhờ vào bản ánh xạ chuyển đổi trọng số, RfDetr tương thích với các mô hình từ thư viện [rf-detr](https://github.com/roboflow/rf-detr) gốc cũng như các mô hình mà bạn đã huấn luyện bằng nền tảng [Roboflow](https://roboflow.com/). Điều này có nghĩa là bạn có thể sử dụng nền tảng Roboflow để huấn luyện mô hình của mình và dùng `RfDetr` trong `transformers` để nhập trọng số và triển khai mô hình ở bất kỳ đâu.

> [!TIP]
>
> Nhấp vào các mô hình RF-DETR ở thanh bên phải để xem thêm các ví dụ về cách áp dụng RF-DETR cho các tác vụ phát hiện đối tượng khác nhau.

Ví dụ dưới đây minh họa cách thực hiện phát hiện đối tượng bằng [Pipeline](/docs/transformers/v5.23.0/vi/main_classes/pipelines#transformers.Pipeline) và lớp [AutoModel](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoModel).

```python
from transformers import pipeline
import torch

pipeline = pipeline("object-detection", model="Roboflow/rf-detr-medium", device_map="auto")

pipeline("http://images.cocodataset.org/val2017/000000039769.jpg")
```

```python
from transformers import AutoImageProcessor, AutoModelForObjectDetection
from PIL import Image
from huggingface_hub.utils import httpx
from io import BytesIO
import torch

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(BytesIO(httpx.get(url).content))

image_processor = AutoImageProcessor.from_pretrained("Roboflow/rf-detr-medium")
model = AutoModelForObjectDetection.from_pretrained("Roboflow/rf-detr-medium", device_map="auto")

# prepare image for the model
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}")
```

### Trực quan hóa kết quả với giám sát

Bạn có thể sử dụng thư viện [supervision](https://github.com/roboflow/supervision) để trực quan hóa kết quả phát hiện và phân đoạn. Cài đặt bằng `pip install supervision`.

```python
from transformers import AutoImageProcessor, AutoModelForObjectDetection
from PIL import Image
import supervision as sv

from huggingface_hub.utils import httpx
from io import BytesIO
import torch

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(BytesIO(httpx.get(url).content))

image_processor = AutoImageProcessor.from_pretrained("Roboflow/rf-detr-medium")
model = AutoModelForObjectDetection.from_pretrained("Roboflow/rf-detr-medium", 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=0.3
)[0]

detections = sv.Detections.from_transformers(
    transformers_results=results, id2label=model.config.id2label
)

box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

annotated_image = image.copy()
annotated_image = box_annotator.annotate(annotated_image, detections)
annotated_image = label_annotator.annotate(annotated_image, detections)

sv.plot_image(annotated_image)
```

```python
from transformers import AutoImageProcessor, AutoModelForInstanceSegmentation
from PIL import Image
import supervision as sv
from huggingface_hub.utils import httpx
from io import BytesIO
import torch

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(BytesIO(httpx.get(url).content))

image_processor = AutoImageProcessor.from_pretrained("Roboflow/rf-detr-seg-medium")
model = AutoModelForInstanceSegmentation.from_pretrained("Roboflow/rf-detr-seg-medium", 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_instance_segmentation(
    outputs, target_sizes=[image.size[::-1]], threshold=0.3
)[0]

detections = sv.Detections.from_transformers(
    transformers_results=results, id2label=model.config.id2label
)

mask_annotator = sv.MaskAnnotator()
label_annotator = sv.LabelAnnotator()

annotated_image = image.copy()
annotated_image = mask_annotator.annotate(annotated_image, detections)
annotated_image = label_annotator.annotate(annotated_image, detections)

sv.plot_image(annotated_image)
```

## Tài nguyên

- Xem thêm: [Hướng dẫn tác vụ phát hiện đối tượng](../tasks/object_detection).

## RfDetrConfig[[transformers.RfDetrConfig]]

#### transformers.RfDetrConfig[[transformers.RfDetrConfig]]

```python
transformers.RfDetrConfig(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, is_encoder_decoder: bool = False, 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, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, hidden_expansion: float = 0.5, c2f_num_blocks: int = 3, activation_function: str = 'silu', dropout: float = 0.1, decoder_ffn_dim: int = 2048, decoder_n_points: int = 4, decoder_layers: int = 3, decoder_self_attention_heads: int = 8, decoder_cross_attention_heads: int = 16, decoder_activation_function: str = 'relu', num_queries: int = 300, attention_bias: bool = True, attention_dropout: float | int = 0.0, activation_dropout: float | int = 0.0, group_detr: int = 13, init_std: float = 0.02, disable_custom_kernels: bool = True, class_cost: int | float = 2, bbox_cost: int | float = 5, giou_cost: int | float = 2, class_loss_coefficient: int | float = 1, dice_loss_coefficient: int | float = 1, bbox_loss_coefficient: int | float = 5, giou_loss_coefficient: int | float = 2, eos_coefficient: float = 0.1, focal_alpha: float = 0.25, auxiliary_loss: bool = True, d_model: int = 256, layer_norm_eps: float = 1e-05, num_feature_levels: int = 1, mask_loss_coefficient: int | float = 1, mask_point_sample_ratio: int = 16, mask_downsample_ratio: int = 4, mask_class_loss_coefficient: int | float = 5.0, mask_dice_loss_coefficient: int | float = 5.0, segmentation_head_activation_function: str = 'gelu', intermediate_size: int = 1024)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/configuration_rf_detr.py#L103)

**Tham số:**

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

hidden_expansion (`float`, *tuỳ chọn*, mặc định là 0.5) : Hệ số mở rộng cho các chiều ẩn trong các lớp projector.

c2f_num_blocks (`int`, *tuỳ chọn*, mặc định là 3) : Số lượng khối trong lớp C2F.

activation_function (`str`, *tùy chọn*, mặc định là `"silu"`) : Hàm kích hoạt phi tuyến tính trong bộ chiếu. Các giá trị được hỗ trợ là `"silu"`, `"relu"`, `"gelu"`.

dropout (`float`, *tùy chọn*, mặc định là `0.1`) : Tỷ lệ cho tất cả các lớp dropout.

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_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 3) : Số lượng lớp giải mã trong transformer.

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

decoder_cross_attention_heads (`int`, *tuỳ chọn*, mặc định là 16) : Số lượng đầu chú ý cho mỗi lớp chú ý trong cross-attention của bộ giải mã.

decoder_activation_function (`str`, *tùy chọn*, mặc định là `"relu"`) : Hàm kích hoạt phi tuyến tính trong bộ giải mã. Các giá trị được hỗ trợ là `"relu"`, `"silu"`, `"gelu"`.

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 [RfDetrModel](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrModel) có thể phát hiện trong một hình ảnh duy nhất.

attention_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không.

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.

group_detr (`int`, *optional*, mặc định là 13) : Số lượng nhóm cho cơ chế chú ý Group DETR, giúp giảm độ phức tạp tính toán.

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.

disable_custom_kernels (`bool`, *tùy chọn*, mặc định là `True`) : Vô hiệu hóa việc sử dụng các kernel CUDA và CPU tùy chỉnh. Tùy chọn này là cần thiết cho việc xuất ONNX, vì các kernel tùy chỉnh không được hỗ trợ bởi PyTorch ONNX export.

class_cost (`Union[int, float]`, *tùy chọn*, mặc định là `2`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.

bbox_cost (`Union[int, float]`, *tùy chọn*, mặc định là `5`) : Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian.

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

class_loss_coefficient (`float`, *optional*, mặc định là 1) : Trọng số tương đối của tổn thất phân loại trong chi phí khớp Hungarian.

dice_loss_coefficient (`float`, *tuỳ chọn*, mặc định là 1) : Trọng số tương đối của tổn thất DICE/F-1 trong tổn thất phát hiện đối tượng.

bbox_loss_coefficient (`float`, *optional*, mặc định là 5) : Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phát hiện đối tượng.

giou_loss_coefficient (`float`, *optional*, mặc định là 2) : Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phát hiện đối tượng.

eos_coefficient (`float`, *tùy chọn*, mặc định là `0.1`) : Trọng số phân loại tương đối của lớp 'no-object' trong hàm mất mát phát hiện đối tượng.

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

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.

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

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

num_feature_levels (`int`, *tuỳ chọn*, mặc định là 1) : Số lượng cấp độ đặc trưng được sử dụng trong chú ý biến dạng đa tỷ lệ.

mask_loss_coefficient (`float`, *optional*, mặc định là 1) : Trọng số tương đối của Focal loss trong loss của mask phân đoạn instance.

mask_point_sample_ratio (`int`, *tuỳ chọn*, mặc định là 16) : Tỷ lệ các điểm được lấy mẫu để tính toán tổn thất mặt nạ.

mask_downsample_ratio (`int`, *optional*, mặc định là 4) : Tỷ lệ giảm mẫu của các mặt nạ phân đoạn so với độ phân giải của ảnh đầu vào.

mask_class_loss_coefficient (`float`, *optional*, mặc định là 5.0) : Trọng số tương đối của Focal loss trong loss phân đoạn instance.

mask_dice_loss_coefficient (`float`, *optional*, mặc định là 5.0) : Trọng số tương đối của tổn thất DICE/F-1 trong tổn thất phân đoạn đối tượng.

segmentation_head_activation_function (`str`, *tùy chọn*, mặc định là `"gelu"`) : Hàm kích hoạt phi tuyến tính trong đầu phân đoạn. Các giá trị được hỗ trợ là `"relu"`, `"silu"`, `"gelu"`.

intermediate_size (`int`, *tuỳ chọn*, mặc định là `1024`) : Kích thước của các biểu diễn MLP.

Đây là lớp cấu hình để lưu trữ cấu hình của một RfDetrModel. Nó được sử dụng để khởi tạo một mô hình Rf 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 [Roboflow/rf-detr-base](https://huggingface.co/Roboflow/rf-detr-base)

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 RfDetrConfig, RfDetrModel

>>> # Initializing a RF-DETR roboflow/rf-detr-base style configuration
>>> configuration = RfDetrConfig()

>>> # Initializing a model (with random weights) from the Roboflow/rf-detr-base style configuration
>>> model = RfDetrModel(configuration)

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

## RfDetrDinov2Config[[transformers.RfDetrDinov2Config]]

#### transformers.RfDetrDinov2Config[[transformers.RfDetrDinov2Config]]

```python
transformers.RfDetrDinov2Config(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, is_encoder_decoder: bool = False, 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, hidden_size: int = 768, num_hidden_layers: int = 12, num_attention_heads: int = 12, mlp_ratio: int = 4, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, attention_probs_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-06, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 14, num_channels: int = 3, qkv_bias: bool = True, layerscale_value: float = 1.0, drop_path_rate: float | int = 0.0, use_swiglu_ffn: bool = False, _out_features: list[str] | None = None, _out_indices: list[int] | None = None, apply_layernorm: bool = True, reshape_hidden_states: bool = True, use_mask_token: bool = True, num_windows: int = 4)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/configuration_rf_detr.py#L30)

**Tham số:**

hidden_size (`int`, *optional*, mặc định là `768`) : Kích thước của các biểu diễn ẩn.

num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `12`) : Số lượng lớp ẩn trong bộ giải mã Transformer.

num_attention_heads (`int`, *tùy chọn*, mặc định là `12`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

mlp_ratio (`int`, *tuỳ chọn*, mặc định là `4`) : Tỷ lệ giữa chiều ẩn của MLP và chiều nhúng.

hidden_act (`str`, *tùy chọn*, mặc định là `gelu`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

hidden_dropout_prob (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler.

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

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

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-06`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

image_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `224`) : Kích thước (độ phân giải) của mỗi hình ảnh.

patch_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `14`) : Kích thước (độ phân giải) của mỗi patch.

num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào.

qkv_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có thêm bias vào queries, keys và values hay không.

layerscale_value (`float`, *tuỳ chọn*, mặc định là 1.0) : Giá trị ban đầu để sử dụng cho layer scale.

drop_path_rate (`float`, *tuỳ chọn*, mặc định là 0.0) : Tốc độ stochastic depth trên mỗi mẫu (khi được áp dụng trong đường dẫn chính của các lớp residual).

use_swiglu_ffn (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng mạng nơ-ron tiền xử lý SwiGLU hay không.

apply_layernorm (`bool`, *tùy chọn*, mặc định là `True`) : Có áp dụng chuẩn hóa lớp (layer normalization) lên các bản đồ đặc trưng (feature maps) trong trường hợp mô hình được sử dụng làm khung xương (backbone) hay không.

reshape_hidden_states (`bool`, *tùy chọn*, mặc định là `True`) : Có nên định dạng lại các bản đồ đặc trưng thành các tensor 4D có hình dạng `(batch_size, d_model, height, width)` trong trường hợp mô hình được sử dụng làm backbone hay không. Nếu `False`, các bản đồ đặc trưng sẽ là các tensor 3D có hình dạng `(batch_size, seq_len, d_model)`.

use_mask_token (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng mask_token trong embeddings hay không.

num_windows (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng cửa sổ được sử dụng cho chú ý có cửa sổ. Nếu bằng 1, chú ý có cửa sổ sẽ không được sử dụng.

Đây là lớp cấu hình để lưu trữ cấu hình của một RfDetrModel. Nó được sử dụng để khởi tạo một mô hình Rf 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 [Roboflow/rf-detr-base](https://huggingface.co/Roboflow/rf-detr-base)

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 RfDetrDinov2Config, RfDetrDinov2Backbone

>>> # Initializing a RfDetrDinov2 base style configuration
>>> configuration = RfDetrDinov2Config()

>>> # Initializing a model (with random weights) from the base style configuration
>>> model = RfDetrDinov2Backbone(configuration)

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

## RfDetrImageProcessor[[transformers.RfDetrImageProcessor]]

#### transformers.RfDetrImageProcessor[[transformers.RfDetrImageProcessor]]

```python
transformers.RfDetrImageProcessor(**kwargs: *<class 'transformers.models.rf_detr.image_processing_rf_detr.RfDetrImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/image_processing_rf_detr.py#L218)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'shortest_edge' : 800, 'longest_edge': 1333}`): Mô tả kích thước đầu vào tối đa cho mô hình.

default_to_square (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*, mặc định là `True`) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.`

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.

format (`str`, *kwargs*, *tuỳ chọn*, mặc định là `AnnotationFormat.COCO_DETECTION`) : Định dạng dữ liệu của các chú thích. Một trong "coco_detection" hoặc "coco_panoptic".

do_convert_annotations (`bool`, *kwargs*, *optional*, mặc định là `True`) : Kiểm soát việc chuyển đổi chú thích sang định dạng mà mô hình RF_DETR mong đợi. Chuyển đổi các hộp bao quanh sang định dạng `(center_x, center_y, width, height)` và trong khoảng `[0, 1]`. Có thể ghi đè bằng tham số `do_convert_annotations` trong phương thức `preprocess`.

Tạo một bộ xử lý ảnh RfDetrImageProcessor.

#### preprocess[[transformers.RfDetrImageProcessor.preprocess]]

```python
preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], annotations: dict[str, int | str | list[dict]] | list[dict[str, int | str | list[dict]]] | None = None, return_segmentation_masks: bool | None = None, masks_path: str | pathlib.Path | None = None, **kwargs: *<class 'transformers.models.rf_detr.image_processing_rf_detr.RfDetrImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/image_processing_rf_detr.py#L464)

**Tham số:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`.

annotations (`AnnotationType` hoặc `list[AnnotationType]`, *tùy chọn*) : Các chú thích cần biến đổi theo cách đệm (padding) được áp dụng cho các hình ảnh.

return_segmentation_masks (`bool`, *tùy chọn*, mặc định là `self.return_segmentation_masks`) : Có trả về các mặt nạ phân đoạn hay không.

masks_path (`str` hoặc `pathlib.Path`, *tùy chọn*) : Đường dẫn đến thư mục chứa các mặt nạ phân đoạn.

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*): Mô tả các kích thước đầu vào tối đa của mô hình.

default_to_square (`bool`, *kwargs*, *tuỳ chọn*) : Có mặc định dùng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.`

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.

format (`str`, *kwargs*, *tuỳ chọn*, mặc định là `AnnotationFormat.COCO_DETECTION`) : Định dạng dữ liệu của các chú thích. Một trong "coco_detection" hoặc "coco_panoptic".

do_convert_annotations (`bool`, *kwargs*, *optional*, mặc định là `True`) : Kiểm soát việc chuyển đổi chú thích sang định dạng mà mô hình RF_DETR mong đợi. Chuyển đổi các hộp bao quanh sang định dạng `(center_x, center_y, width, height)` và trong khoảng `[0, 1]`. Có thể ghi đè bằng tham số `do_convert_annotations` trong phương thức `preprocess`.

**Trả về:** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức __call__ ('pixel_values', v.v.).
- **tensor_type** (`Union[None, str, TensorType]`, *tùy chọn*) -- Bạn có thể cung cấp tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

#### post_process_object_detection[[transformers.RfDetrImageProcessor.post_process_object_detection]]

```python
post_process_object_detection(outputs, threshold: float = 0.5, target_sizes: transformers.utils.generic.TensorType | list[tuple] | None = None, top_k: int | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/image_processing_rf_detr.py#L606)

**Tham số:**

outputs (`RfDetrObjectDetectionOutput`) : Đầu ra thô của mô hình.

threshold (`float`, *tùy chọn*) : Ngưỡng điểm để giữ lại các dự đoán phát hiện đối tượng.

target_sizes (`torch.Tensor` hoặc `list[tuple[int, int]]`, *tùy chọn*) : Tensor có shape `(batch_size, 2)` hoặc danh sách các tuple (`tuple[int, int]`) chứa kích thước đích `(height, width)` của mỗi hình ảnh trong batch. Nếu không được đặt, các dự đoán sẽ không được thay đổi kích thước.

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển chứa điểm số, nhãn và hộp bao quanh cho một hình ảnh trong lô dữ liệu, như được dự đoán bởi mô hình.

Chuyển đổi đầu ra thô của [RfDetrForObjectDetection](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrForObjectDetection) thành các hộp bao cuối cùng ở định dạng (top_left_x, top_left_y, bottom_right_x, bottom_right_y). Chỉ hỗ trợ PyTorch.

#### post_process_instance_segmentation[[transformers.RfDetrImageProcessor.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.0, target_sizes: list[tuple[int, int]] | None = None, return_coco_annotation: bool = False, return_binary_maps: bool = False, top_k: int | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/image_processing_rf_detr.py#L660)

**Tham số:**

outputs ([*RfDetrInstanceSegmentationOutput*]) : Đầu ra thô của mô hình.

threshold (*float*, *optional*, mặc định là 0.5) : Ngưỡng điểm để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán.

mask_threshold (*float*, *optional*, mặc định là 0.0) : Ngưỡng để nhị phân hóa các mặt nạ dự đoán.

target_sizes (*list[tuple[int, int]]*, *optional*) : `(height, width)` đích cho mỗi hình ảnh. Nếu không được đặt, các mask sẽ không được thay đổi kích thước.

return_coco_annotation (*bool*, *optional*, mặc định là *False*) : Nếu *True*, trả về các bản đồ phân đoạn dưới dạng mã hóa độ dài chạy (run-length encoding) của COCO thay vì các tensor. Loại trừ lẫn nhau với *return_binary_maps*.

return_binary_maps (*bool*, *optional*, mặc định là *False*) : Nếu *True*, trả về các bản đồ phân đoạn dưới dạng tensor chồng chất của các mặt nạ nhị phân theo từng instance (một mặt nạ cho mỗi instance được phát hiện), không có xử lý chồng chéo. Điều này khớp với định dạng đầu ra của gói `rfdetr` gốc. Loại trừ lẫn nhau với *return_coco_annotation*.

top_k (*int*, *optional*) : Số lượng tối đa các truy vấn ứng viên được đánh giá trước khi áp dụng ngưỡng điểm. Mặc định là tổng số truy vấn.

**Trả về:** *list[dict]*

Một dict cho mỗi hình ảnh với các khóa:
- **phân đoạn** -- *Tensor[H, W]* chứa các id phân đoạn `int32` (`-1` = nền), *Tensor[num_instances, H, W]* chứa các mặt nạ nhị phân bool khi *return_binary_maps=True*, hoặc một danh sách các mã hóa RLE khi *return_coco_annotation=True*.
- **segments_info** -- Danh sách các dict có các khóa `id`, `label_id` và `score`.

Chuyển đổi đầu ra của [*RfDetrForInstanceSegmentation*] thành các dự đoán phân đoạn đối tượng.

## RfDetrModel[[transformers.RfDetrModel]]

#### transformers.RfDetrModel[[transformers.RfDetrModel]]

```python
transformers.RfDetrModel(config: RfDetrConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L1330)

**Tham số:**

config ([RfDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrConfig)) : 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 LW Detr cơ bản (gồm một backbone và một Transformer decoder) xuất ra các hidden-state thô 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.RfDetrModel.forward]]

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

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L1437)

**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 [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor). Xem [RfDetrImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor) 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)

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

Một `RfDetrModelOutput` 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 ([RfDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrConfig)) và đầu vào.

Quá trình truyền thẳng của mô hình RF-DETR. Quy trình được thực hiện như sau:

1. Tạo một bộ nhúng truy vấn đối tượng và các đề xuất vị trí không gian ban đầu từ đầu ra đã được làm phẳng của backbone.
2. Khởi tạo bộ nhớ lưu trữ các dự đoán đã tinh chỉnh ở giai đoạn encoder (hỗ trợ cấu trúc truy vấn đa nhóm) và tinh chỉnh lặp lại các truy vấn đối tượng cùng tọa độ của chúng cho từng nhóm truy vấn nhằm nắm bắt các ứng viên có độ tin cậy cao nhất từ giai đoạn encoder.
3. Khởi tạo các đặc trưng truy vấn có thể học và các điểm tham chiếu không gian (giới hạn trong nhóm chính trong quá trình suy luận để tối ưu hiệu suất).
4. Chiếu các điểm tham chiếu cơ bản trên toàn bộ batch, tinh chỉnh chúng bằng các cải tiến tọa độ dự đoán (chuyển sự chú ý sang các vị trí đối tượng đã phát hiện trước khi giải mã), và mở rộng các đặc trưng truy vấn đích để khớp với các chiều của batch.
5. Truyền các truy vấn đã tinh chỉnh và các điểm tham chiếu đã cập nhật qua bộ giải mã transformer để tổng hợp ngữ cảnh không gian chi tiết từ các đặc trưng đa tỷ lệ.

- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.
- **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.
- **intermediate_hidden_states** (`torch.Tensor` có shape `(batch_size, config.decoder_layers, num_queries, d_model)`) -- Các hidden state trung gian được xếp chồng (đầu ra của từng lớp trong decoder).
- **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).
- **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.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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 mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **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 sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
- **cross_attentions** (`tuple[torch.Tensor, ...]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple các `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.
- **backbone_features** (`list` của `torch.Tensor` có shape `(batch_size, config.num_channels, config.image_size, config.image_size)`) -- Các đặc trưng từ backbone.

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, RfDetrModel
>>> from PIL import Image
>>> import requests

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

>>> image_processor = AutoImageProcessor.from_pretrained("Roboflow/rf-detr-base")
>>> model = RfDetrModel.from_pretrained("Roboflow/rf-detr-base")

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

>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 200, 256]
```

## RfDetrForObjectDetection[[transformers.RfDetrForObjectDetection]]

#### transformers.RfDetrForObjectDetection[[transformers.RfDetrForObjectDetection]]

```python
transformers.RfDetrForObjectDetection(config: RfDetrConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L1678)

**Tham số:**

config ([RfDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrConfig)) : 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 LW DETR (gồm một backbone và một decoder Transformer) 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.RfDetrForObjectDetection.forward]]

```python
forward(pixel_values: Tensor = None, pixel_mask: typing.Optional[torch.LongTensor] = 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/rf_detr/modeling_rf_detr.py#L1692)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`, *tùy chọn*) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor). Xem [RfDetrImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor) 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)

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:** `RfDetrObjectDetectionOutput` hoặc `tuple(torch.Tensor)`

Một `RfDetrObjectDetectionOutput` 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 ([RfDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrConfig)) và đầu vào.

Quá trình truyền thuận diễn ra như sau:

1. Xử lý đầu vào thị giác thông qua mô hình RF-DETR cơ bản để lấy trạng thái ẩn cuối cùng của transformer và chuỗi các điểm tham chiếu cuối cùng.
2. Giai đoạn đầu tiên: Sinh ra các logits phân loại từ các nhúng truy vấn đối tượng do bộ mã hóa đề xuất.
3. Giai đoạn hai: Dự đoán nhãn phân loại cuối cùng và các hộp bao quanh đã tinh chỉnh bằng cách sử dụng trạng thái ẩn cuối cùng của bộ giải mã và các điểm tham chiếu gần nhất.

- **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 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 `~DeformableDetrProcessor.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.
- **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.
- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.
- **intermediate_hidden_states** (`torch.Tensor` có shape `(batch_size, config.decoder_layers, num_queries, d_model)`) -- Các hidden state trung gian được xếp chồng (đầu ra của từng lớp trong decoder).
- **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).
- **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.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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 mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **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 sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
- **cross_attentions** (`tuple[torch.Tensor, ...]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple các `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.
- **backbone_features** (`list` của `torch.Tensor` có shape `(batch_size, config.num_channels, config.image_size, config.image_size)`) -- Các đặc trưng từ backbone.

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, RfDetrForObjectDetection
>>> from PIL import Image
>>> import requests

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

>>> image_processor = AutoImageProcessor.from_pretrained("Roboflow/rf-detr-base")
>>> model = RfDetrForObjectDetection.from_pretrained("Roboflow/rf-detr-base")

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

>>> # 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=0.5, 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 cat with confidence 0.8 at location [16.5, 52.84, 318.25, 470.78]
Detected cat with confidence 0.789 at location [342.19, 24.3, 640.02, 372.25]
Detected remote with confidence 0.633 at location [40.79, 72.78, 176.76, 117.25]
```

## RfDetrForInstanceSegmentation[[transformers.RfDetrForInstanceSegmentation]]

#### transformers.RfDetrForInstanceSegmentation[[transformers.RfDetrForInstanceSegmentation]]

```python
transformers.RfDetrForInstanceSegmentation(config: RfDetrConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L1938)

#### forward[[transformers.RfDetrForInstanceSegmentation.forward]]

```python
forward(pixel_values: Tensor = None, pixel_mask: typing.Optional[torch.LongTensor] = 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/rf_detr/modeling_rf_detr.py#L2020)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`, *tùy chọn*) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor). Xem [RfDetrImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor) 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)

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:**

`dict[str, torch.Tensor]`

Quá trình truyền thẳng của mô hình RF-DETR cho phân đoạn đối tượng. Quy trình diễn ra như sau:

1. Xử lý đầu vào thị giác thông qua mô hình RF-DETR cơ bản để thu được các đặc trưng không gian đa tỷ lệ, các vector nhúng truy vấn và lịch sử biến đổi của chúng.
2. Tạo logits phân loại và các mặt nạ phân đoạn ban đầu từ các nhúng truy vấn đối tượng do bộ mã hóa đề xuất (giai đoạn đầu tiên).
3. Dự đoán nhãn phân loại cuối cùng và các hộp bao quanh đã tinh chỉnh bằng cách sử dụng trạng thái ẩn cuối cùng của bộ giải mã (giai đoạn hai).
4. Truyền các đặc trưng không gian độ phân giải cao và trạng thái ẩn của truy vấn qua đầu phân đoạn để tạo ra các mặt nạ thực thể chi tiết, cuối cùng.

## RfDetrDinov2Backbone[[transformers.RfDetrDinov2Backbone]]

#### transformers.RfDetrDinov2Backbone[[transformers.RfDetrDinov2Backbone]]

```python
transformers.RfDetrDinov2Backbone(config: RfDetrDinov2Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L473)

**Tham số:**

config ([RfDetrDinov2Config](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrDinov2Config)) : 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.

backbone RfDetrDinov2, được sử dụng với các framework như DETR và MaskFormer.

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.RfDetrDinov2Backbone.forward]]

```python
forward(pixel_values: Tensor, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rf_detr/modeling_rf_detr.py#L482)

**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 [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor). Xem [RfDetrImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [RfDetrImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrImageProcessor) để xử lý ảnh).

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

Một `BackboneOutput` 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 ([RfDetrConfig](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrConfig)) và đầu vào.

Phương thức forward của [RfDetrDinov2Backbone](/docs/transformers/v5.23.0/vi/model_doc/rf_detr#transformers.RfDetrDinov2Backbone) 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.

- **feature_maps** (`tuple(torch.Tensor)` có hình dạng `(batch_size, num_channels, height, width)`) -- Bản đồ đặc trưng của các giai đoạn.
- **hidden_states** (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi truyền `output_hidden_states=True` hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)` hoặc `(batch_size, num_channels, height, width)`, tùy thuộc vào backbone.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi giai đoạn cùng với đầu ra của embedding ban đầu.
- **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)`. Chỉ áp dụng nếu backbone sử dụng attention.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, AutoBackbone
>>> import torch
>>> from PIL import Image
>>> import requests

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

>>> processor = AutoImageProcessor.from_pretrained("facebook/dinov2-base")
>>> model = AutoBackbone.from_pretrained(
...     "facebook/dinov2-base", out_features=["stage2", "stage5", "stage8", "stage11"]
... )

>>> inputs = processor(image, return_tensors="pt")

>>> outputs = model(**inputs)
>>> feature_maps = outputs.feature_maps
>>> list(feature_maps[-1].shape)
[1, 768, 16, 16]
```

