DETR

DETR (Detection Transformer) — архитектура нейросети для поиска объектов на изображении, впервые применившая принципы трансформеров (как в GPT) к компьютерному зрению. Если классические детекторы сначала предлагают тысячи кандидатных областей и классифицируют их, то DETR смотрит на картинку целиком и сразу выдаёт готовые объекты с границами.

Модель упростила пайплайн: убрала ручные настройки, сложные модули и эвристики, копившиеся годами. DETR показал, что универсальная архитектура может конкурировать с узкоспециализированными системами, открыв дорогу семейству подобных решений. Для индустрии это меньше инженерных ухищрений и больше надёжности при переносе на новые задачи.

Как работает: DETR разбивает изображение на фрагменты, пропускает их через трансформер, который связывает контекст между всеми фрагментами. «Запросы» (learned queries) задают вопросы: «где объект №1?», «где №2?» — сеть отвечает координатами и классом. Модель сама решает, сколько объектов на картинке и как их распределить, без перебора заранее заданных рамок.

Пример: в роботизированном складе DETR помогает дрону-инвентаризатору за один проход камеры находить коробки разного размера и формы на стеллажах, даже частично перекрывающиеся. Система получает координаты и тип каждой коробки, позволяя роботу точно захватывать груз.

Итог: DETR — элегантный переход от «перебора всего подряд» к «пониманию целого», сделавший обнаружение объектов похожим на человеческое восприятие. Он задал тренд на трансформерные детекторы и влияет на современные модели, превращая компьютерное зрение в более гибкую технологию.