RF-DETR

Serverless Hosted API を通じて Roboflow の RF-DETR model を使用します

RF-DETR オブジェクト検出

RF-DETRは、Roboflowのトランスフォーマーベースのリアルタイム検出モデルです。COCOで事前学習された物体検出チェックポイントに対して、以下を通じて推論を実行します Serverless Hosted API、または次を使って自己ホストする Roboflow Inference.

コードサンプル

以下の手順では、RF-DETRを以下を通じて実行します Serverless Hosted API そして、結果を以下で可視化します supervision.

1

API Key を取得する

Roboflow アカウントを作成し、キーを次の場所で見つけます Roboflow API 設定ページ そしてシェルで利用できるようにします:

export ROBOFLOW_API_KEY="your-key-here"

2

依存関係をインストールする

これら2つのパッケージは、モデルを呼び出し、その結果を描画します：

pip install inference-sdk supervision

3

モデルを実行する

実行 rfdetr-small サンプル画像に対して、ボックスとラベルに注釈を付けます：

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-small")

detections = sv.Detections.from_inference(result)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)

設定する api_url をデプロイ先に合わせてください:

• https://serverless.roboflow.com Serverless Hosted API 用。

• http://localhost:9001 ローカルの Inference サーバー用。

• あなたの Dedicated Deployment プライベートエンドポイントの URL。

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_id 推論時。SDKは各エイリアスを基になるRoboflow project versionに解決します。

別名	入力サイズ	mAP50-95	ONNXレイテンシ（ms）*	TensorRT FP16（ms）*
rfdetr-nano	384x384	48.4	9.7	6.2
rfdetr-small	512x512	53.0	12.9	8.3
rfdetr-medium	576x576	54.7	16.3	9.5
rfdetr-large	704x704	56.5	25.6	11.6
rfdetr-xlarge	700x700	58.6	41.6	14.9
rfdetr-2xlarge	880x880	60.1	53.4	21.7

RF-DETR インスタンスセグメンテーション

RF-DETRは、ボックスと一緒にマスクを予測するインスタンスセグメンテーションのチェックポイントも提供します。以下を通じて実行します Serverless Hosted API、または次を使って自己ホストする Roboflow Inference.

コードサンプル

上記のようにAPIキーを設定し、依存関係をインストールしてから、セグメンテーションのチェックポイントを実行して、そのマスクを描画します：

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="rfdetr-seg-preview")

detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)

事前学習済みモデルとベンチマーク

これらのいずれかのエイリアスを、次として渡します model_id 推論時。SDKは各エイリアスを基になるRoboflow project versionに解決します。数値はCOCO上のマスクmAPです 検証.

別名	入力サイズ	Mask mAP50-95	ONNXレイテンシ（ms）*	TensorRT FP16（ms）*
rfdetr-seg-nano	312x312	40.3	15.8	10.5
rfdetr-seg-small	384x384	43.1	19.3	11.9
rfdetr-seg-medium	432x432	45.3	23.9	14.1
rfdetr-seg-large	504x504	47.1	30.1	15.4
rfdetr-seg-xlarge	624x624	48.8	51.2	19.1
rfdetr-seg-2xlarge	768x768	49.9	89.6	25.6

---

* レイテンシは以下で測定されています Roboflow Inference 1x NVIDIA L4、バッチサイズ1、1,000回の推論の平均（100回のウォームアップ）で。デフォルトの inference-gpu installでは、ONNXをCUDA実行プロバイダー上で実行します。さらに inference-models[trt10] 追加すると、事前ビルド済みのTensorRT FP16エンジンが自動的に選択されます。FP16はCOCO上でFP32の精度と0.2 mAP以内で一致します val2017。精度は公開されているCOCO 検証 仕様です（以下を参照： RF-DETRの発表).