Стол трансформер фото: 110 фото и видео лучших моделей раскладных столов 2019 года

Содержание

110 фото и видео лучших моделей раскладных столов 2019 года

Направления обустройства и дизайна любого жилого помещения со временем меняется, но стол остается во все времена самой необходимой мебелью в любом помещении, особенно на кухне.

В мире современных технологий дизайнеры и производители придумывают и изготавливают усовершенствованные модели любой мебели, в том числе и столов, которые соответствуют запросам современных потребителей.

Обычный стол на четырех ножках сейчас заменил стол трансформер. Эти модели отличаются функциональностью, простотой и совершенством стиля.

Для разных целей по своему вкусу

В том случае, если площадь помещения ограничена, приобретение такой мебели будет самым правильным решением. Такие конструкции за несколько простых движений человека меняют свой вид и назначение.

Маленький компактный столик благодаря перевоплощению может стать местом для приема пищи большой компании людей или превратиться в спальное место.

Чтобы выбрать объект мебели в свою квартиру по своему вкусу и нужной функции, нужно посмотреть множество вариантов фото стола трансформера в интерьере и приобрести себе тот, который подходит именно вам.

Видоизменение формы

Компактный и аккуратный журнальный стол трансформер в обычном состоянии выполняет свою прямую функцию и занимает мало места в комнате.

Но производители на своих предприятиях разрабатывают всевозможные изменения составных частей этой конструкции. При помощи встроенного механизма изменяется высота ножек и длина столешницы за счет дополнительных фрагментов.

Сборка и разборка таких конструкций проводится на месте и за короткое время. Такие изделия становятся особенно удобными, когда оснащены колесиками. Такие столы легко передвигать в любое помещение.

Освобождение пространства

Трансформеры могут вообще не присутствовать в помещении, если в сложенном виде они будут находиться в шкафу или ждать своего часа на полках.

По мере необходимости в случае семейных торжеств их достают и получают полноценное место для приема гостей.

Иногда конструкция бывает прикручена к стене и располагается параллельно ей, используется только по случаям. Такая откидная модель может служить и спальным местом.

Эти преобразования мебели, выполняющей сразу несколько функций, позволяют иметь больше свободного места. А надежный запас прочности механизма для стола трансформера помогает легко справляться с повседневными нагрузками при эксплуатации.

Трансформеры способны заменить одновременно несколько моделей мебели, поэтому они не только удобные, стильные, но и дают возможность экономить финансы. Вместо двух или трех предметов логичнее приобрести одну модель.

Многообразие моделей

Формы столешницы для стола трансформера бывают квадратной, круглой, в виде овала или круга. Они изготавливаются из древесины, пластика, древесной спрессованной стружки, закаленного стекла.

Механизмы бывают в виде жалюзи. Сложенные друг поверх друга столешницы выдвигаются при помощи автоматического механизма. Поворотный механизм сначала поворачивает, а потом раздвигает конструкцию.

В раздвижных столах трансформерах столешница состоит из нескольких секций. Если необходима большая поверхностная площадь, секции сдвигают и в освободившееся место устанавливают дополнительные секции, хранящиеся внутри стола.

Когда множество гостей

Прием гостей по праздникам обычно происходит в гостиной, где они могут разместиться за накрытым столом. Раскладные столы трансформеры для гостиной подходят к любому стилю дизайна.

Компактный в сложенном виде стол становится местом для размещения большого количества людей. Такая модель может исполнять роль рабочего стола или стать местом для выполнения школьных заданий.

В малогабаритной квартире

Чаще всего в квартирах бывают маленькие кухни. Если это помещение загромоздить мебелью, то останется минимум свободного пространства.

В этом случае спасителем выступит кухонный стол трансформер, который бывает нескольких вариантов. Одни могут менять свой вид из-за трансформации столешницы, другие из-за регулируемой высоты.

Третьи за счет боковых секций, закрепленных с помощью петель и фиксаторов могут увеличить площадь столешницы до нескольких метров.

Раскладывая небольшой столик, можно получить большой обеденный стол с дополнительной зоной для готовки.

В тесноте, да не в обиде

В помещении с ограниченным пространством отлично впишется круглый стол трансформер. Этот стол безопасен для семьи с маленькими детьми из-за отсутствия острых углов.

За круглым столом, который может расположиться в эркере, на проходе или на небольшой кухне, может уютно расположиться несколько человек.

Равноправие каждого сидящего за столом и его безопасность обуславливается одинаковым положением всех людей, каждого из которых хорошо видно и слышно всем.

Обычно круглый стол имеет одну толстую ножку. В свободное пространство можно поместить табуреты.

Удобный и практичный

Эта мебель впишется в помещение любого размера и оформленного в разные стили. Стол трансформер в интерьере будет выглядеть современно.

Многофункциональные столы сейчас очень популярны, потому что в эпоху новизны и прогресса такая мебель удовлетворит потребности любого владельца.

Фото столов трансформеров

0 0 голоса

Рейтинг статьи

15 моделей на все случаи жизни

Современные столы-трансформеры способны менять площадь столешницы, высоту, форму и назначение. Наличие такого предмета в интерьере — несомненный плюс к удобству и способности обстановки «реагировать» на потребности владельца.
Взгляните на нашу подборку столов-трансформеров и выберите для себя самый удобный!

Раскладные столы

Традиционные раскладные столы-книжки среди моделей итальянских фабрик встречаются редко. Их практически вытеснили более удобные раздвижные модели. Раскладной механизм иногда применяется в дизайнерских моделях обеденных и рабочих столов.

Важный плюс столов-книжек — компактность в сложенном виде.

На фото: ультракомпактный стол-книжку Calligaris Spazio в сложенном состоянии можно поставить у стены как консоль.

На фото: дизайнеры фабрики Lago переосмыслили принцип «книжки». Стол Loto способен вдвое увеличить свою площадь благодаря откидным «уголкам».

На фото: столешница стола Calligaris Flexy складывается «в два слоя» благодаря петлям. В результате площадь стола увеличивается вдвое. Высота ножек также регулируется.

На фото: откидной стол со шкафчиком Calligaris Spacebox. Отличный вариант для квартиры-студии.

На фото: круглый стол Bonaldo Flap при раскладывании превращается в прямоугольный.

Раздвижные столы

Столы-трансформеры с раздвижной столешницей — сегодня самые популярные. Они компактные и эргономичные, быстро и легко трансформируются, бывают прямоугольные, овальные и круглые.

Выдвигаться может как одна боковая секция, так и симметричные «крылья» по бокам. Обычно выдвижные части нужно потянуть на себя из-под столешницы. В нужном положении они приподнимутся, и с щелчком встанут вровень с основной столешницей.

Иногда выдвижные секции служат не для увеличения площади столешницы, а меняют ее геометрию. Например, превращают круглый стол в овальный.

На фото: раздвижной стол Bonaldo Kudo удлиняется при помощи выдвижной боковины.

На фото: стол Cattelan Italia Zeus Keramik Drive с керамической ультратонкой столешницей. Боковые секции выдвигаются при помощи телескопического механизма.

На фото: стеклянный стол-трансформер Friulsedie Techno T47. В сложенном состоянии две секции столешницы располагаются одна над другой. Раздвигаясь, они совмещаются в единую плоскость.

На фото: элегантный обеденный стол в современном стиле Cattelan Italia Jerez drive. Стеклянная столешница расширяется при помощи выдвижных боковых секций.

На фото: овальный стол Calligaris Orbital. Стеклянная столешница раскладывается при помощи оригинального поворотного механизма.

На фото: раздвижной стол из стекла и металла Cattelan Italia Plano.

На фото: стеклянный стол-трансформер Bonaldo Tom.

Трансформеры с дополнительными вставками

В отдельную категорию можно вынести столы-трансформеры, у которых столешница «наращивается» за счет дополнительных фрагментов. Крепятся они на выдвижные направляющие — либо по бокам стола, либо в центре. В зависимости от модели, храниться модули расширения могут как в подстолье, так и отдельно.

В некоторых моделях размер столешницы зависит от количества вставленных дополнительных модулей — расширить стол можно на 1, 2 а иногда и 5 секций.

На фото: консоль Cattelan Italia Party увеличивает свою длину с 50 до 300 см за счет дополнительных пятидесятисантиметровых столешниц, которые укладываются на раздвижной каркас. Использовать можно от 1 до 5 дополнительных столешниц, в зависимости от нужного размера.

На фото: стол-трансформер Cattelan Italia Ikon Drive с составной столешницей из натурального дерева. Две боковые вставки хранятся под центральной столешницей и устанавливаются при помощи специального крепления, образуя идеально ровную поверхность.

На фото: стол с дополнительными секциями для столешницы Friulsedie Boston T50.

Столы-трансформеры в IB Gallery

В IB Gallery представлены столы-трансформеры на любой вкус: стеклянные и деревянные, раскладные и раздвижные, прямоугольные, круглые и овальные, в классическом и современном стиле.

Если Вы не нашли на нашем сайте подходящую модель, отправьте нам запрос и менеджеры салона IB Gallery подберут для вас стол с нужными характеристиками по каталогам наших итальянских фабрик-партнеров. Задать вопрос можно по телефону +7 (495) 642-83-60.

Стол-трансформер

Обзор

Модель Table Transformer была предложена в PubTables-1M: На пути к комплексному извлечению таблиц из неструктурированных документов Брэндон Смок, Рохит Песала, Робин Абрахам. Авторы представляют новый набор данных PubTables-1M для оценки прогресса в извлечении таблиц из неструктурированных документов. а также распознавание структуры таблиц и функциональный анализ. Авторы обучают 2 модели DETR, одну для обнаружения таблиц и одну для распознавания структуры таблиц, получившие название Table Transformers.

Резюме статьи выглядит следующим образом:

В последнее время был достигнут значительный прогресс в применении машинного обучения к задаче определения структуры таблиц и извлечения их из неструктурированных документов. Тем не менее, одной из самых больших проблем остается создание наборов данных с полной и однозначной достоверностью данных в любом масштабе. Чтобы решить эту проблему, мы разрабатываем новый, более комплексный набор данных для извлечения таблиц под названием PubTables-1M. PubTables-1M содержит почти миллион таблиц из научных статей, поддерживает множественный ввод модальностей и содержит подробную информацию о заголовке и расположении табличных структур, что делает его полезным для самых разных подходов к моделированию. Он также затрагивает значительную источник несоответствия наземной истины, наблюдаемого в предыдущих наборах данных, называемого чрезмерной сегментацией, с использованием новой процедуры канонизации. Мы демонстрируем, что эти улучшения приводят к значительное увеличение производительности обучения и более надежная оценка производительности модели при оценке для распознавания структуры таблицы. Далее покажем, что трансформаторный Модели обнаружения объектов, обученные на PubTables-1M, дают отличные результаты для всех трех задач обнаружения, распознавания структуры и функционального анализа без необходимости каких-либо дополнительных действий.

специальные настройки для этих задач.

Советы:

Авторы выпустили 2 модели, одну для определения таблиц в документах, одну для распознавания структуры таблиц (задача распознавания отдельных строк, столбцов и т.д. в таблице).
Можно использовать AutoImageProcessor API для подготовки изображений и необязательных целей для модели. Это загрузит DetrImageProcessor за кулисами.

Уточнено определение таблицы и распознавание структуры таблицы. Взято из оригинальной статьи.

Эта модель предоставлена nielsr. Исходный код может быть нашел здесь.

Ресурсы

Обнаружение объектов

Демо-ноутбук для Table Transformer можно найти здесь.
Оказывается, заполнение изображений очень важно для обнаружения. Интересную ветку Github с ответами авторов можно найти здесь.

ТаблицаТрансформерКонфиг

трансформаторы класса.

TableTransformerConfig

< источник >

( use_timm_backbone = Истина backbone_config = Нет число_каналов = 3 количество_запросов = 100 кодировщик_слоев = 6 encoder_ffn_dim = 2048 кодировщик_внимания_голов = 8 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 8 encoder_layerdrop = 0,0 decoder_layerdrop = 0,0 is_encoder_decoder = Истина активация_функция = ‘релу’ д_модель = 256 отсев = 0,1 внимание_выпадение = 0,0 активация_выпадение = 0,0 init_std = 0,02 init_xavier_std = 1.0 вспомогательный_лосс = Ложь position_embedding_type = ‘синус’ магистраль = ‘resnet50’ use_pretrained_backbone = Истина расширение = Ложь класс_стоимость = 1 bbox_cost = 5 giou_cost = 2 mask_loss_coefficient = 1 dice_loss_coefficient = 1 bbox_loss_coefficient = 5 giou_loss_coefficient = 2 eos_коэффициент = 0,1 **кваргс )

Параметры

use_timm_backbone ( bool , необязательный , по умолчанию True ) — Следует ли использовать библиотеку timm для магистрали. Если установлено значение False , будет использоваться AutoBackbone . API.
backbone_config ( PretrainedConfig или dict , необязательный ) — Конфигурация базовой модели. Используется только в случае use_timm_backbone имеет значение False , в котором случае по умолчанию будет ResNetConfig() .
num_channels ( целое число , необязательный , по умолчанию 3) — Количество входных каналов.

num_queries ( int , необязательный , по умолчанию 100) — Количество объектных запросов, т.е. слотов обнаружения. Это максимальное количество объектов TableTransformerModel может обнаруживать в одном изображении. Для COCO мы рекомендуем 100 запросов.
d_model ( int , необязательный , по умолчанию 256) — Размер слоев.
encoder_layers ( int , необязательный , по умолчанию 6) — Количество слоев кодировщика.
decoder_layers ( int , необязательный , по умолчанию 6) — Количество слоев декодера.
encoder_attention_heads ( int , необязательный , по умолчанию 8) — Количество головок внимания для каждого слоя внимания в кодировщике Transformer.
decoder_attention_heads ( int , необязательный , по умолчанию 8) — Количество головок внимания для каждого уровня внимания в декодере Transformer.
decoder_ffn_dim ( int , необязательный , по умолчанию 2048) — Размер «промежуточного» (часто называемого упреждающим) слоя в декодере.
encoder_ffn_dim ( int , необязательный , по умолчанию 2048) — Размер «промежуточного» (часто называемого упреждающим) слоя в декодере.
активация_функция ( str или функция , опционально , по умолчанию "relu" ) — Функция нелинейной активации (функция или строка) в кодировщике и пулере. Если строка, "гелу" , "релу" , 9Поддерживаются 0050 «silu» и "gelu_new" .
выпадение ( float , необязательный , по умолчанию 0,1) — Вероятность отсева для всех полносвязных слоев во встраиваниях, кодировщике и пулере.
advance_dropout ( float , необязательный , по умолчанию 0.0) — Коэффициент отсева для вероятностей внимания.
активация_дропаут ( с плавающей запятой , необязательный , по умолчанию 0.0) — Коэффициент отсева для активаций внутри полносвязного слоя.
init_std ( float , необязательный , по умолчанию 0,02) — Стандартное отклонение truncated_normal_initializer для инициализации всех весовых матриц.
init_xavier_std ( float , необязательный , по умолчанию 1) — Коэффициент масштабирования, используемый для усиления инициализации Xavier в модуле карты HM Attention.
encoder_layerdrop ( float , необязательный , по умолчанию 0.0) — Вероятность LayerDrop для кодировщика. См. [Документ LayerDrop] (см. https://arxiv.org/abs/1909.11556) Больше подробностей.
decoder_layerdrop ( float , необязательный , по умолчанию 0.0) — Вероятность LayerDrop для декодера. См. [Документ LayerDrop] (см. https://arxiv.org/abs/1909.11556) Больше подробностей.
Additional_loss ( bool , необязательный , по умолчанию False ) — Должны ли использоваться вспомогательные потери при декодировании (потери на каждом уровне декодера).
position_embedding_type ( str , необязательный , по умолчанию «синус» ) — Тип встраивания позиции, который будет использоваться поверх функций изображения. Один из "синус" или "выученный" .
магистраль ( str , необязательный , по умолчанию "resnet50" ) — Имя сверточной магистрали для использования в случае use_timm_backbone = True . Поддерживает любые сверточные магистраль из пакета timm. Список всех доступных моделей см. страница.
use_pretrained_backbone ( bool , необязательный , по умолчанию True ) — Использовать ли предварительно тренированные веса для позвоночника. Поддерживается только при use_timm_backbone = Истинно .
расширение ( bool , необязательный , по умолчанию False ) — Заменять ли шаг расширением в последнем сверточном блоке (DC5). Поддерживается только тогда, когда use_timm_backbone = Правда .
class_cost ( float , необязательный , по умолчанию 1) — Относительный вес ошибки классификации в венгерской стоимости сопоставления.
bbox_cost ( float , необязательный , по умолчанию 5) — Относительный вес ошибки L1 координат ограничивающей рамки в венгерской стоимости сопоставления.
giou_cost ( float , необязательный , по умолчанию 2) — Относительный вес общей потери IoU ограничивающей рамки в стоимости согласования в Венгрии.
mask_loss_coefficient ( число с плавающей запятой , опционально , по умолчанию 1) — Относительный вес очаговой потери при потере паноптической сегментации.
dice_loss_coefficient ( float , необязательный , по умолчанию 1) — Относительный вес потери DICE/F-1 в потере паноптической сегментации.
bbox_loss_coefficient ( float , необязательный , по умолчанию 5) — Относительный вес потерь ограничивающей рамки L1 в потерях обнаружения объекта.
giou_loss_coefficient ( float , необязательный , по умолчанию 2) — Относительный вес обобщенной потери IoU в потере обнаружения объекта.
eos_coefficient ( float , необязательный , по умолчанию 0,1) — Относительный классификационный вес класса «отсутствие объекта» в потерях обнаружения объекта.

Это класс конфигурации для хранения конфигурации TableTransformerModel. Он используется для создать экземпляр модели Table Transformer в соответствии с указанными аргументами, определяющими архитектуру модели. Создание экземпляра конфигурации со значениями по умолчанию даст конфигурацию, аналогичную конфигурации Table Transformer. архитектура microsoft/table-transformer-detection.

Объекты конфигурации наследуются от PretrainedConfig и могут использоваться для управления выходными данными модели. Читать документацию от PretrainedConfig для получения дополнительной информации.

Примеры:

 >>> из трансформаторов импортировать TableTransformerModel, TableTransformerConfig
>>> # Инициализация конфигурации Table Transformer в стиле microsoft/table-transformer-detection
>>> конфигурация = TableTransformerConfig()
>>> # Инициализация модели из конфигурации стиля microsoft/table-transformer-detection
>>> модель = TableTransformerModel (конфигурация)
>>> # Доступ к конфигурации модели
>>> конфигурация = model.config

ТаблицаТрансформаторМодель

Трансформаторы класса

. TableTransformerModel

< источник >

( конфигурация: Таблетрансформерконфиг )

Параметры

конфигурация (TableTransformerConfig) — Класс конфигурации модели со всеми параметрами модели. Инициализация с помощью файла конфигурации не загрузить веса, связанные с моделью, только конфигурацию. Проверьте Метод from_pretrained() для загрузки весов модели.

Чистая модель Table Transformer (состоящая из магистрали и преобразователя кодера-декодера), выводящая необработанные данные скрытые состояния без какой-либо конкретной головы сверху.

Эта модель наследуется от PreTrainedModel. Проверьте документацию суперкласса для общих методов, которые библиотека реализует для всей своей модели (например, загрузку или сохранение, изменение размера входных вложений, обрезку головок и т. д.)

Эта модель также является подклассом PyTorch torch.nn.Module. Используйте его как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием. и поведение.

вперед

< источник >

( pixel_values пиксельная_маска = Нет decoder_attention_mask = Нет encoder_outputs = Нет inputs_embeds = Нет decoder_inputs_embeds = Нет output_attentions = Нет output_hidden_states = Нет return_dict = Нет ) → transforms.models.table_transformer.modeling_table_transformer.TableTransformerModelOutput или tuple(torch.FloatTensor)

Параметры

Возврат

Transformers.Models.table_Transformer. Modeling_Table_Transformer.tableTransformermOdelOutput или Tuple (TORCH.FLOATTENSOR)

9004 A

.  torch.FloatTensor  (если передано  return_dict=False  или когда  config.return_dict=False  ), включающий различные
элементы в зависимости от конфигурации (TableTransformerConfig) и входов.

  last_hidden_state  (  torch.FloatTensor  формы  (batch_size, sequence_length, hidden_size)  ) — Последовательность hidden-состояний на выходе последнего слоя декодера модели.
  decoder_hidden_states  ( Tuple (Torch.floattensor) ,  Необязательный , возвращается, когда  output_hidden_states = true  проходит или когда  config.Output_hidden_states = true ) - tuple tors.trys.0051 (один на вывод вложений + один на вывод каждого слоя)
форма  (batch_size, sequence_length, hidden_size)  . Скрытые состояния декодера на выходе каждого
слой плюс исходные результаты встраивания.
  decoder_attentions  (  tuple(torch.FloatTensor)  ,  необязательный  , возвращается, когда передается  output_attentions=True  или когда  config.output_attentions=True  ) — Кортеж из  Tensor.50Tensor.500051 (по одному на каждый слой) формы  (размер_пакета, количество головок, длина_последовательности, длина_последовательности)  . Веса внимания декодера после внимания softmax, используемые для вычисления
средневзвешенное значение в головах самовнимания.

Cross_attentions ( Tuple (Torch.floattensor) , Необязательно , возвращается, когда output_attentions = true или когда configttens = true ) - Tuple Torch.floattens (inevershiptens = true ). ) формы (размер_пакета, количество головок, длина_последовательности, длина_последовательности) . Веса внимания слоя перекрестного внимания декодера, после внимания softmax, используется для вычисления средневзвешенного значения в головах перекрестного внимания.
encoder_last_hidden_state ( torch.FloatTensor формы (batch_size, sequence_length, hidden_size) , option ) — Последовательность hidden-состояний на выходе последнего слоя энкодера модели.
ENCODER_HIDDEN_STATES ( TUPLE (TORCH.FLOATTENSOR) , Необязательный , возвращается, когда output_hidden_states = True или, когда CONFIGE.OUTPUT_HIDDEN_STATES = TRUE ) — TUPLE TOR. вложений + по одному на выход каждого слоя) форма (batch_size, sequence_length, hidden_size) . Скрытые состояния энкодера на выходе каждого слой плюс исходные результаты встраивания.
Encoder_Attentions ( Tuple (Torch.floattensor) , Необязательный , возвращается, когда output_attentions = true или когда configt.Output_Attentions = true ) - Tupe of Torach.floats_Attentions = true ) - Tupe of Torcal. floats_Attentions = True ) - Tupe of Torcal. ) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания кодировщика после внимания softmax, используемые для вычисления средневзвешенное значение в головах самовнимания.
промежуточные_скрытые_состояния ( torch.FloatTensor формы (config.decoder_layers, batch_size, sequence_length, hidden_size) , необязательный , возвращается, когда config.auxiliary_loss активация каждого промежуточного звена, i. слой декодера, каждый из них прошел через норма слоя.

Прямой метод TableTransformerModel переопределяет специальный метод __call__ .

Хотя рецепт прямого прохода должен быть определен внутри этой функции, следует вызвать Модуль экземпляр впоследствии вместо этого, так как первый заботится о выполнении шагов предварительной и последующей обработки, а последний молча их игнорирует.

Примеры:

 >>> из трансформаторов импортировать AutoImageProcessor, TableTransformerModel
>>> из Huggingface_hub импортировать hf_hub_download
>>> из изображения импорта PIL
>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf.png")
>>> image = Image.open(file_path).convert("RGB")
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/table-transformer-detection")
>>> model = TableTransformerModel.from_pretrained("microsoft/table-transformer-detection")
>>> # подготовим изображение для модели
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # прямой проход
>>> выходы = модель (** входы)
>>> # последние скрытые состояния - это окончательные вложения запросов декодера Transformer
>>> # они имеют форму (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> список(last_hidden_states.shape)
[1, 15, 256]

`Таблетрансформерфоробжектдетектион`

`трансформаторы класса.`

 TableTransformerForObjectDetection <
источник
>
 (
конфигурация: Таблетрансформерконфиг  )
 Параметры
  конфигурация  (TableTransformerConfig) —
Класс конфигурации модели со всеми параметрами модели. Инициализация с помощью файла конфигурации не
загрузить веса, связанные с моделью, только конфигурацию. Проверьте
Метод from_pretrained() для загрузки весов модели.
 Настольная модель трансформатора (состоит из магистрали и преобразователя кодера-декодера) с установленными головками обнаружения объектов
top, для таких задач, как обнаружение COCO.
 Эта модель наследуется от PreTrainedModel. Проверьте документацию суперкласса для общих методов, которые
библиотека реализует для всей своей модели (например, загрузку или сохранение, изменение размера входных вложений, обрезку головок
и т. д.)
 Эта модель также является подклассом PyTorch torch.nn.Module.
Используйте его как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием. и поведение.
 вперед 
 <
источник
>
 (
pixel_values
пиксельная_маска = Нет
decoder_attention_mask = Нет
encoder_outputs = Нет
inputs_embeds = Нет
decoder_inputs_embeds = Нет
метки = нет
output_attentions = Нет
output_hidden_states = Нет
return_dict = Нет  )
→  transforms.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput  или  tuple(torch.FloatTensor) 
 Parameters
 Returns
  transformers.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput  or  tuple(torch.FloatTensor) 
 A  transformers.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput  or a tuple of  torch.FloatTensor  (если передано  return_dict=False  или когда  config.return_dict=False  ), включающий различные
элементы в зависимости от конфигурации (TableTransformerConfig) и входов.
  потери  (  torch.FloatTensor  формы  (1,)  ,  необязательный  , возвращается, когда предоставлено  меток )) — Полные потери как линейная комбинация отрицательного логарифмического сходства (кросс- энтропия) для предсказания класса и
потеря ограничивающей рамки. Последний определяется как линейная комбинация потерь L1 и обобщенного
не зависящие от масштаба потери IoU.
  loss_dict  (  Dict  ,  необязательный  ) — Словарь, содержащий отдельные потери. Полезно для регистрации.
  логитов  (  torch.FloatTensor  формы  (batch_size, num_queries, num_classes + 1)  ) — логиты классификации (включая отсутствие объектов) для всех запросов.
  pred_boxes  (  torch.FloatTensor  формы  (batch_size, num_queries, 4)  ) — Нормализованные координаты блоков для всех запросов, представленные как (center_x, center_y, ширина, высота). Эти
значения нормированы в [0, 1] относительно размера каждого отдельного изображения в пакете (без учета
возможная прокладка). Вы можете использовать  ~TableTransformerImageProcessor.post_process_object_detection  в
получить ненормализованные ограничивающие рамки.
 auxiliary_outputs  (  list[Dict]  ,  optional  ) — Необязательный, возвращается только при активации вспомогательных потерь (т.е.  config.auxiliary_loss  установлен на  True  )
и этикетки предоставляются. Это список словарей, содержащих два вышеуказанных ключа (  логитов  и  pred_boxes  ) для каждого уровня декодера.
  last_hidden_state  (  torch.FloatTensor  формы  (batch_size, sequence_length, hidden_size)  ,  необязательно  ) — Последовательность hidden-состояний на выходе последнего слоя декодера модели.
  decoder_hidden_states  (  tuple(torch. FloatTensor)  ,  необязательный  , возвращается при передаче  output_hidden_states=True  или при передаче  config.output_hidden_states= TupleTrue1 )0050 torch.FloatTensor  (один на вывод вложений + один на вывод каждого слоя)
форма  (batch_size, sequence_length, hidden_size)  . Скрытые состояния декодера на выходе каждого
слой плюс исходные результаты встраивания.
  decoder_attentions  (  tuple(torch.FloatTensor)  ,  необязательный  , возвращается, когда передается  output_attentions=True  или когда  config.output_attentions=True  ) — Кортеж из  torch.FloatTensor  (по одному на каждый слой) формы  (batch_size, num_heads, sequence_length, sequence_length)  . Веса внимания декодера после внимания softmax, используемые для вычисления
средневзвешенное значение в головах самовнимания.
  cross_attentions  (  tuple(torch. FloatTensor)  ,  необязательный  , возвращается, когда передается  output_attentions=True  или когда  config.output_attentions=True  ) — Кортеж из
1 (по одному на каждый слой) формы  (размер_пакета, количество головок, длина_последовательности, длина_последовательности)  . Веса внимания слоя перекрестного внимания декодера, после внимания softmax,
используется для вычисления средневзвешенного значения в головах перекрестного внимания.
  encoder_last_hidden_state  (  torch.FloatTensor  формы  (batch_size, sequence_length, hidden_size)  ,  option  ) — Последовательность hidden-состояний на выходе последнего слоя энкодера модели.
  ENCODER_HIDDEN_STATES  ( Tuple (TORCH.FLOATTENSOR) ,  Необязательный , возвращается, когда  output_hidden_states = true , или когда  config.Output_hidden_states = true ) - tuple of tor. out out out wulds ) - TUPLE tor. вложений + по одному на выход каждого слоя)
форма  (batch_size, sequence_length, hidden_size)  . Скрытые состояния энкодера на выходе каждого
слой плюс исходные результаты встраивания.
  Encoder_Attentions  ( Tuple (Torch.floattensor) ,  Необязательный , возвращается, когда  output_attentions = true  или когда  configt.Output_Attentions = true ) - Tupe of  Torach.floats_Attentions = true ) - Tupe of  Torcal.floats_Attentions = True ) - Tupe of  Torcal. ) формы  (batch_size, num_heads, sequence_length, sequence_length)  . Веса внимания кодировщика после внимания softmax, используемые для вычисления
средневзвешенное значение в головах самовнимания.
 Передовой метод TableTransformerForObjectDetection переопределяет специальный метод  __call__ .
 Несмотря на то, что рецепт прямого прохода должен быть определен внутри этой функции, следует вызвать модуль   экземпляр впоследствии вместо этого, так как первый заботится о выполнении шагов предварительной и последующей обработки, а
последний молча их игнорирует.
 Примеры:
 >>> from Huggingface_hub import hf_hub_download
>>> из трансформеров импортировать AutoImageProcessor, TableTransformerForObjectDetection
>>> импортный факел
>>> из изображения импорта PIL
>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf.png")
>>> image = Image.open(file_path).convert("RGB")
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/table-transformer-detection")
>>> model = TableTransformerForObjectDetection.from_pretrained("microsoft/table-transformer-detection")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> выходы = модель (** входы)
>>> # преобразовать выходные данные (ограничивающие рамки и логиты классов) в COCO API
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> results = image_processor.post_process_object_detection (выходные данные, порог = 0,9, целевые_размеры=целевые_размеры)[
... 0
... ]
>>> для оценки, метки, поля в zip(результаты["баллы"], результаты["метки"], результаты["ящики"]):
. .. box = [round(i, 2) для i в box.tolist()]
...     Распечатать(
... f"Обнаружен {model.config.id2label[label.item()]} с уверенностью "
... f"{round(score.item(), 3)} в месте {box}"
... )
Обнаружен стол с достоверностью 1.0 в локации [202.1, 210.59, 1119.22, 385.09] 
 Складной стол в комнате, стол трансформер. Фото автора ©snegok1967 159087160 
 Стол раскладной в комнату, стол трансформер. Фото автора ©snegok1967 159087160 Изображения
 ВидеоРедакцииМузыка и звуковые эффекты
 Инструменты
 Предприятие
 Цены
 Все изображения
 ВойтиРегистрация
 Уже есть аккаунт 
 
 создать аккаунт? Войти
 Я согласен с Пользовательским соглашениемПолучать рассылку новостей и спецпредложений
 Стол раскладной в номер, стол трансформер.
 — Фото автора snegok1967
 Похожие лицензионные изображения: 
 Та же серия: 
 Пустая прямоугольная деревянная тарелка с палочками для суши и соевый соус на фоне дерева. Вид сверху с копией пространства. Пустой пост спасателя на пляже Бонди, Сидней, Австралия. Пустая прямоугольная деревянная тарелка для суши с соусом и палочками для еды на деревянном столе, вид сверху. Сборка мебели, мебельный шуруп вкручен в плиту ДСП, Фиксирующий шуруп, соединяющий две доски. Крепежный винт ввинчивается в доску с отверстиями. Пустая прямоугольная деревянная тарелка с палочками для суши и соевым соусом на деревянном фоне. Вид сверху с копией пространства. Пустая прямоугольная деревянная тарелка для суши с соусом и палочками для еды на деревянном столе, вид сверху. Милый рыжий кот сидит в солнечных лучах с синим морем на заднем плане. Пустая прямоугольная деревянная тарелка для суши с соусом и палочками для еды на деревянном столе, вид сверху. Две палочки для еды и бамбуковая циновка на деревянном фоне. Вид сверху, пространство для копирования. Пустая прямоугольная деревянная тарелка с палочками для суши и соевым соусом на деревянном фоне. Вид сверху с копией пространства. Две палочки для суши с пустой бамбуковой циновкой или деревянной тарелкой на деревянном фоне Вид сверху с копировальной стойкой. Вид сверху с копией пространства для вас design.Two палочки для еды и бамбуковая циновка на деревянном фоне. Вид сверху, пространство для копирования. Информация об использовании 
 Вы можете использовать это бесплатное фото "Складной стол в комнате, стол-трансформер." для личных и коммерческих целей в соответствии со Стандартной или Расширенной лицензией. Стандартная лицензия распространяется на большинство вариантов использования, включая рекламу, дизайн пользовательского интерфейса и упаковку продуктов, и позволяет издавать до 500 000 печатных копий. Расширенная лицензия разрешает все варианты использования в рамках Стандартной лицензии с неограниченными правами печати и позволяет вам использовать загруженные стоковые изображения для продажи товаров, перепродажи продукта или бесплатного распространения.
No related posts.