Transformer模型是google团队在2017在论文attention is all you need中提出的一个用于NLP领域的模型，但是随着VIT模型与Swin Transformer模型的发布，把Transformer模型成功应用到计算机视觉任务中。

上期图文，我们使用hugging face的transformers模型进行了VIT模型的对象分类任务。本期我们再次分享一个成功把Transformer模型应用到计算机对象检测任务模型。此模型是Facebook发布的基于Transformer模型的端对端对象检测任务模型-- DETR（detect Transformer模型）。

DETR模型首先使用CNN卷积神经网络搜集图片的核心特征点，然后把这些特征点整合起来，通过embedding方法，把特征图片转换到特征向量空间。然后根据标准Transformer模型的编码器与解码器进行注意力机制的计算，最后把计算后的数据进行图片对象的分类，并根据检测到的位置信息，提供对象box区域，方便我们画图。

传统的对象检测算法，如 Faster R-CNN，通过过滤大量粗略对象区域来预测对象边界框，这些区域通常是 CNN 特征图片区域。每个选定的区域都用于细化操作，包括在区域定义的位置裁剪 CNN 特征，独立对每个区域进行分类，并细化其位置。最后，应用非最大抑制步