DETR-ResNet50是将DETR（DEtection TRansformers）与ResNet-50骨干网络相结合的一种高效目标检测模型。DETR是一个基于Transformer的端到端目标检测框架，使用自注意力机制来在图像中检测目标，不依赖于传统的区域提议（region proposals）方法。ResNet-50作为DETR的特征提取骨干网络，通过残差连接有效学习图像的多层次特征，增强了模型的检测能力。DETR-ResNet50能够在保持较高检测精度的同时减少复杂性，适合处理复杂场景下的目标检测任务，广泛应用于自动驾驶、视频监控和其他实时目标检测领域。

源模型

• 输入尺寸: 480x480
• 参数量: 39.60M
• 模型大小: 158.03M
• 输出尺寸：1x100x92, 1x100x4

源模型仓库：DETR-ResNet50

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/{model_name}_{SoC Name}_{Precision}
    
    |__ models # folder where model files are stored    
    
    |__ code # aidlite python model inference example

        |__ python # aidlite python model inference example

        |__ cpp # aidlite cpp model inference example

        |__ README.md