A.写在前面
与NLP大模型相比，CV大模型目前还没有一套较为系统的整合方式。个人认为这主要是：
1.CV大模型的各个下游任务之间的差异性较大导致的。
2.可能也与目前CV领域大模型的数量较少有关。
3.对于CV任务，其落地场景一般对内存和计算速度的要求较高，可能目前仍偏向于使用普通量级模型。
偶然发现这个套件detrex，该套件只针对视觉中的目标检测任务组织，细节非常丰富，值得借鉴。
B.detrex介绍
1.概述
项目地址：GitHub – IDEA-Research/detrex: IDEA Open Source Toolbox for Transformer Based Object Detection Algorithms
detrex是一个开源工具箱，提供了SOTA的基于transformer的检测算法。
建立在Detectron2之上，其模块设计部分借鉴了MMDetection和DETR。
2. 主要特点
(1). 模块化设计。detrex将基于Transformer的目标检测框架分解为各种组件，帮助用户轻松构建自己的定制模型。后面我们看一下它的目录，detrex将基于Transformer的DETR类的目标检测模型拆分并同类方法重新组合，构建了清晰框架。
(2). SOTA模型。detrex提供了一系列基于Transformer的检测算法，包括DINO，它以63.3mAP达到DETR类模型的SOTA！
(3). 易于使用。底特律的设计重量轻，使用方便：
a. LazyConfig System可实现更灵活的语法和更清晰的配置文件。
b. 根据detectron2 lazyconfig_train_net.py修改的轻量级训练引擎。
3.目录结构
- Tutorials - Installation - Getting Started with detrex - Config System - Convert Pretrained Models - Download Pretrained Backbone Weights - Using Pretrained Backbones - Practical Tools and Scripts - Model Zoo - Frequently Asked Questions- API Documentation - detrex.config - get_config() - try_get_key() - detrex.data - DatasetMapper - detrex.layers - BaseTransformerLayer - ConditionalCrossAttention - ConditionalSelfAttention - ConvNormAct - FFN - GenerateDNQueries - LayerNorm - MLP - MultiheadAttention - PositionEmbeddingLearned - PositionEmbeddingSine - TransformerLayerSequence - apply_box_noise() - apply_label_noise() - box_cxcywh_to_xyxy() - box_iou() - box_xyxy_to_cxcywh() - generalized_box_iou() - get_sine_pos_embed() - masks_to_boxes() - detrex.modeling - backbone - neck - matcher - losses - detrex.utils - get_world_size() - interpolate()- inverse_sigmoid() - is_dist_avail_and_initialized()- Change Log - v0.1.0
我将其中的API Documentation 重点展开，看下detrex的组织形式大概就能了解该套件的特性和使用形式。简单说其实就是将以DETR这类模型为基础的目标检测模型中的相似部分抽离出来，并评估规划为配置文件（detrex.config）、数据相关（detrex.data）、检测模型常用层（detrex.layers）、常规模型构建部分（detrex.modeling）和额外工具（detrex.utils）几个部分，放置于相应模块中。
C.顺便白嫖一波论文集
整理地址：https://github.com/IDEA-Research/awesome-detection-transformer