Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。 DETR(Detection Transformer)是Facebook提出的基于Transformer的端到端目标检测方法。

DETR使用CNN+Transformer进行图像目标检测，该方法没有NMS后处理步骤、没有anchor。DETR总体思路是把目标检测看成一个set prediction的问题，并且使用Transformer来预测物体边界框的集合。

本课程对DETR的原理与PyTorch实现代码进行精讲，来帮助大家掌握其详细原理和具体实现。 

原理精讲部分包括：Transformer的架构概述、Transformer的Encoder 、Transformer的Decoder、DETR网络架构、DETR损失函数、DETR实验结果和分析。  

代码精讲部分使用Jupyter Notebook对DETR的PyTorch代码进行逐行解读，包括：安装PyTorch、 DETR官方Demo，DETR的hands-on tutorial，DETR的代码精讲（数据准备、Backbone和位置编码、Transformer架构的实现）。

相关课程： 

《Transformer原理与代码精讲（PyTorch）》https://edu.csdn.net/course/detail/36697

《Transformer原理与代码精讲（TensorFlow）》https://edu.csdn.net/course/detail/36699

《ViT（Vision Transformer）原理与代码精讲》https://edu.csdn.net/course/detail/36719

《DETR原理与代码精讲》https://edu.csdn.net/course/detail/36768

《Swin Transformer实战目标检测：训练自己的数据集》https://edu.csdn.net/course/detail/36585

《Swin Transformer实战实例分割：训练自己的数据集》https://edu.csdn.net/course/detail/36586

《Swin Transformer原理与代码精讲》 https://download.csdn.net/course/detail/37045