DETR（DEtection TRansformer）是Facebook AI Research開源的一種端到端目标檢測模型。它的主要特點是将目标檢測任務轉化為一個序列到序列（Sequence-to-Sequence）問題，并使用Transformer架構進行解決。
DETR模型的架構如下：
1. 輸入編碼器（Input Encoder）：将輸入圖像分割為一組特征圖，通過卷積神經網絡提取圖像特征。
2. Transformer編碼器（Transformer Encoder）：将輸入特征圖轉化為一組特征向量序列，并進行位置編碼。
3. 目标查詢（Object Queries）：通過一個小型的Transformer解碼器生成一組固定的目标查詢向量，用于在解碼階段與特征序列進行互動。
4. 解碼器（Decoder）：使用Transformer解碼器将目标查詢向量與特征序列進行互動，生成目标的位置和類别預測。
5. 後處理（Post-processing）：對解碼器輸出進行後處理，包括使用匈牙利算法進行目标比對和過濾。
與傳統的目标檢測方法相比，DETR模型的主要差別在于：
1. 無需使用錨框（anchor boxes）：傳統的目标檢測方法通常需要預定義一組錨框，而DETR模型直接從輸入圖像中預測目标的位置和類别，無需使用錨框。
2. 端到端的訓練和推理：DETR模型使用端到端的方式進行訓練和推理，不需要使用額外的元件或後處理步驟。
3. 序列到序列的模組化：DETR模型将目标檢測任務轉化為一個序列到序列問題，通過Transformer架構對輸入特征序列和目标查詢序列進行互動，進而生成目标的位置和類别預測。
與Transformer模型相比，DETR模型的主要聯系在于：
1. 使用Transformer架構：DETR模型使用了Transformer編碼器和解碼器，用于對輸入特征序列和目标查詢序列進行模組化。
2. 自注意力機制：DETR模型中的Transformer子產品使用了自注意力機制，用于對輸入序列中的元素進行權重聚合。
3. 位置編碼：DETR模型和Transformer模型都使用了位置編碼，用于将序列中的元素的位置資訊融入模型中。
#動圖詳解transformer模型# DETR模型是一種基于Transformer架構的端到端目标檢測模型，通過将目标檢測任務轉化為序列到序列問題，實作了無錨框的目标檢測，并取得了較好的性能。
