чертежи и схемы сборки, журнальный столик, круглый раздвижной стол
Стол-трансформер своими руками позволит решить проблему свободного пространства в помещении. Конечно, изделие можно приобрести, но намного интересней попробовать изготовить его самостоятельно без помощи посторонних. Достаточно нелегко найти готовую мебель, которая подошла бы по всем параметрам, а на заказ это обойдется достаточно дорого.
Столы-трансформеры красивы и решают проблему с недостаточным количеством пространства в комнате.
Изготовить стол может практически каждый. Сложность создаваемого чертежа напрямую зависит от строительных способностей исполнителя. В зависимости от желания можно использовать самые разные материалы. Наиболее распространенный вариант – дерево. Также придется собрать все инструменты, учесть некоторые другие нюансы перед тем, как приступать к работе.
Обратите внимание! Круглый раздвижной стол-трансформер по чертежам является наиболее простым и распространенным вариантом.
Он имеет привлекательный внешний вид, отличается простотой использования и компактностью.
Он имеет привлекательный внешний вид, отличается простотой использования и компактностью.Круглый столик занимает немало места. Это позволяет разместить всех гостей вокруг стола. Главная проблема заключается в том, что в небольшом помещении остается мало свободного пространства. Тогда на помощь приходит раскладная конструкция.
Круглый и овальный стол-трансформер позволит уместить большое количество гостей.
Внешне она выглядит как небольшая мебель, которую легко переместить и использовать для различных целей. При необходимости столешница раздвигается, что позволяет поместить за столом большее количество людей.
Обратите внимание! Наиболее простой является конструкция, когда две половинки раздвигаются в разные стороны, формируя овал.
Чтобы конструкция была прочной и надежной, следует учитывать такие требования:
- привлекательный внешний вид;
- простота механизма сборки и разборки;
- высокая прочность и способность выдерживать нагрузки в разложенном виде;
- обеспечение вместительности для определенного количества людей;
- компактность – конструкция не должна занимать много места;
- мобильность;
- простота изготовления.
После этого можно приступать к подготовительным работам. Для этого необходимо выбрать материалы, инструменты, разобраться с существующими схемами столешницы.
- Какие материалы нужны
- Необходимые инструменты для работы
- Чертежи и схемы сборки стола трансформера
- Как сделать механизм для раздвижного стола
- Как сделать журнальный столик-трансформер
- Изготовление обеденного стола
- Видео: стол-трансформер – стеллаж своими руками
- 50 красивых вариантов стола-трансформера
Какие материалы нужны
Выбор материалов для столешницы напрямую зависит от того, какой результат ожидается в итоге. Для самодельного стола важно выбирать те комплектующие, которые более доступны по стоимости.
Для работы можно выбрать следующие материалы:
- Дерево. Наиболее распространенный вариант. Следует отметить, что натуральное дерево обойдется недешево. Стол будет иметь привлекательный внешний вид. Главный недостаток – большой вес конструкции, из-за чего возникнут трудности с устройством раздвижного механизма. Более дешевый и доступный вариант – использование деревянных досок. Чтобы обеспечить надежное крепление, необходимо уложить их плотнее друг к другу. Результат вас приятно удивит.
Дерево – самый удачный и популярный вариант, но натуральный материал обойдется дорого. - Древесная стружка. Часто используется фанера, МДФ, ДСП. Эти материалы намного дешевле. Главный недостаток – невысокая прочность, а также пониженный срок службы.
Фанера дешевле дерева, но менее долговечна и прочна. - Пластик. Пластмассовые листы можно подобрать самых разных цветов. Среди достоинств – доступная стоимость и простота сборки готовой конструкции.
Пластмассовые листы богаты на оттенки, поэтому удастся подобрать подходящий цвет практически в любой интерьер. - Стекло. Стеклянные столешницы выглядят сильно и современно. При этом собрать такую конструкцию в домашних условиях будет проблематично.
Стеклянные столешницы очень красивы, но сложны в самостоятельно сборке.
Выбор того или иного материала напрямую зависит от желаемого результата. Также важно выбрать хороший материал ножек. Лучше всего изготовлять их из дерева.
Необходимые инструменты для работы
Для работы потребуется собрать немало инструментов. Среди них:
- молоток;
- отвертка;
- болгарка;
- машинка для шлифовальных работ;
- шуруповерт;
- ножовка;
- болгарка;
- электродрель;
- малярная кисть и некоторые другие.
Для изготовления стола-трансформера своими руками потребуется довольно большой набор инструментов.
Для обработки листов используют лобзик. Чтобы выровнять поверхность, потребуется шлифовальная машинка. Также потребуется циркуль, рулетка и другие измерительные приборы, чтобы проконтролировать качество сборки.
Чертежи и схемы сборки стола трансформера
Чтобы изготовить стол, необходимо составить или найти готовый проект. Нужно сделать чертеж общий и более детализированный, отдельно для каждой детали.
Классическая схема стола выглядит следующим образом:
- Раздвижная конструкция существенно отличается от обычной.
- Основание столешницы крепится к ножкам.
- Основная часть состоит из двух подвижных частей.
- Ножки между собой соединяются посредством установки рамы. По ней могут передвигаться детали столешницы.
- Чтобы обеспечить высокую подвижность элементов столешницы, устанавливаются направляющие. Для них используются обычные планки, которые применяются для обустройства выдвижных ящиков. Количество дополнительных элементов зависит от того, сколько частей у столешницы.
После того, как все части зафиксированы, в зазор складывают прямоугольные вставки. Для простого механизма для стола-трансформера своими руками достаточного этого варианта.
В более сложных вариациях исполнения устанавливаются подъемные механизмы.
Как сделать механизм для раздвижного стола
Существуют разные варианты механизмов. Среди них наиболее популярны такие варианты:
- «Акробат». На металлический каркас крепится ось с пружиной. Столешницу устанавливают сверху. По бокам размещаются заглушки-фиксаторы консоли. Чаще всего так делают небольшие журнальные столики. Иногда можно встретить такой механизм в обеденных моделях.
Механизм “акробат” часто встречается в обеденных столах. - Раздвижной. На металлический механизм крепятся половинки столешницы, которые заходят друг за друга. Они выдвигаются по направляющим.
Раздвижной механизм для стола-трансформера – наиболее простой вариант. - Подъемный. Простой и компактный механизм, который можно легко сделать в домашних условиях. Для этого требуется изготовить опоры под каждую половину раздвижной конструкции.
Подъемный механизм стола несложно изготовить самостоятельно.
Обратите внимание! Механизм можно изготовить самостоятельно. При этом лучше отдать предпочтение заводским вариантам, так как они обладают высокой прочностью и надежностью по сравнению с другими вариантами.
Как сделать журнальный столик-трансформер
Чтобы сделать хороший журнальный столик-трансформер, достаточно следовать простому алгоритму. Сначала нужно выбрать раскладной механизм. После этого создается проект, подготавливаются материалы. Элементы столешницы подгоняются по размерам. Далее устанавливается каркас и опоры. В качестве завершающего штриха монтируются столешницы.
Один из вариантов схем изготовления журнального стола-трансформера.
Лучше использовать готовые чертежи или рисовать их самостоятельно с помощью специальных компьютерных программ. Это значительно упростит задачу сборки конечной конструкции, а также поможет рассчитать количество материалов для создания готового изделия.
Чертеж и размеры для журнального столика-трансформера.
Приобретенные планки достаточно соединить болтами. Собрать каркас также не составит проблем. Чтобы собрать все детали ровно, лучше заранее сделать разметку карандашом.
Журнальные столы-трансформеры экономят место и довольно практичны.
Изготовление обеденного стола
Создание обеденного стола-трансформера практически ничем не отличается от описанного выше варианта. Можно использовать другие, более прочные, материалы. Последовательность сборки такая же.
Для обеденного стола лучше использовать более прочные материалы.
Стол-трансформер – удобное приспособление, которое позволяет сохранить лишние квадратные метры в небольшой квартире. Такая мебель отлично впишется в кухню или гостиную. С помощью такого столика можно легко принять большое количество гостей.
Видео: стол-трансформер – стеллаж своими руками
50 красивых вариантов стола-трансформера
Стол-трансформер своими руками, выбор модификации, процесс пошагово
Главная » Столы » Самодельные
Самодельные
На чтение 8 мин Просмотров 25.
1к.
Перед владельцами малогабаритных квартир нередко возникает вопрос нехватки свободного места. Даже самые необходимые предметы обстановки бывает сложно разместить. Тогда на помощь приходит многофункциональная мебель. Не всегда легко найти подходящую вещь по привлекательной стоимости, поэтому лучше сделать стол трансформер своими руками, затратив на это немного времени и сил. Нужно только выбрать его модификацию, определиться с материалом и механизмом трансформации, а далее по инструкции изготовить уникальный, дизайнерский предмет мебели.
Содержание
- Выбор модификации
- Материалы и механизм трансформации
- Инструкция по изготовлению
- Составление чертежа
- Подготовка деталей
- Сборка
- Финальная отделка и декорирование
- Видео
Выбор модификации
Среди разнообразия моделей многофункциональной мебели особым спросом пользуются столы. Они представлены в различных модификациях и формах.
По своему назначению делятся:
- На журнально-рабочие. При помощи специальной столешницы и плавного механизма трансформации, обычный стол легко превратить в рабочий, напоминающий школьную парту. Система крепежей рассчитана на несколько разных положений, позволяет принимать нужную высоту. Мебель оснащена удобными ящиками для хранения книг и канцелярских принадлежностей.
- Обеденно-журнальные. Это самый распространенный вариант, незаменимый для небольших помещений, в которых нет отдельной столовой комнаты. Все основное время он находится в сложенном виде и занимает немного места. Но когда приходят гости его легко разложить, чтобы получить полноценный обеденный стол, за которым можно разместить до десяти человек.
- Стол-хранилище. Компактная конструкция, скрывающая от посторонних глаз место для хранения бытовых предметов. Состоит из столешницы и нескольких ящиков под ней. В собранном виде доступ к ним перекрыт. Открывается, если повернуть столешницу вокруг своей оси.
- Столик для пикника. Имеет множество модификаций. Это самый распространенный предмет, который чаще всего изготавливают своими руками. Столешница может быть поворотной, иметь круглую или прямоугольную форму. Крепится она к рамам, которые позволяют легко приводить конструкцию в нужное положение.
Сделать столы трансформеры своими руками совсем несложно. Не имея никаких навыков, начать можно с изделия для пикника. У него самая простая схема сборки, подойдет любой материал. А потренировавшись, можно приступать к более сложным предметам обстановки. При этом выбрать дизайн, который действительно нравится, а не тот, что представлен в магазине.
Журнально-рабочийОбеденно-журнальныйСтол-хранилищеДля пикника
Материалы и механизм трансформации
В зависимости от назначения и общего стиля интерьера помещения в изготовлении столов-трансформеров используются разные материалы. Наиболее распространены:
- Дерево. Самым практичным считается массив, но из-за высокой стоимости его часто заменяют на ДСП, ДВП или МДФ.
- Металл. Наиболее долговечный и прочный материал. Но с ним нужно уметь работать, поэтому проще приобрести готовое изделие.
- Стекло. Мебель из него выглядит наиболее эстетично, но, как и с металлом, работа с ним требует специальных навыков.
ДеревоДСПДВПМДФМеталлСтекло
Но какой бы материал не был выбран, наиболее важной деталью конструкции будет механизм трансформации. Он него в первую очередь зависит удобство использования, а также срок службы изделия. Существует три популярных вида:
- Раздвижной. Столешница изначально состоит из двух деталей. Если потянуть их в стороны, то откроется ниша с пазами, в которую вставляется еще одна часть. За счет этого площадь стола заметно увеличивается. Лучше выбирать механизм из металла. Он несколько дороже, чем пластиковый, зато прослужит значительно дольше.
- Подъемный. Самый известный механизм для стола, который также можно сделать своими руками. В сложенном виде конструкция напоминает книжку. Чтобы ее разложить, боковые столешницы поднимаются вверх и укладываются на специальные выдвижные опоры. Каркас может быть металлическим, но лучше заменить его на более легкий вариант из ДСП.
- Акробат. Наиболее современный механизм. Состоит из металлического каркаса с пружиной осью, куда крепится столешница. Специальные фиксирующие заглушки, расположенные по бокам, надежно удерживают выдвижную конструкцию. Чаще используется при изготовлении журнально-обеденного стола.
Чтобы ее разложить, боковые столешницы поднимаются вверх и укладываются на специальные выдвижные опоры. Каркас может быть металлическим, но лучше заменить его на более легкий вариант из ДСП.При выборе механизма в первую очередь следует ориентироваться на особенности конструкции будущего изделия.
РаздвижнойПодъемныйАкробат
Инструкция по изготовлению
Чтобы изготовить раскладывающийся столик трансформер из дерева понадобится:
- сделать чертеж;
- подготовить детали;
- подобрать механизм для стола;
- произвести сборку.
В инструкции для всех деталей указаны универсальные размеры. Индивидуальные схемы сборки столов трансформеров могут содержать другие цифры.
Расчеты меняются в зависимости от дизайна изделия и его габаритов.
Составление чертежа
Чертежи и схемы для изготовления стола трансформера своими руками можно сделать самостоятельно, нарисовав эскиз на бумаге с обозначением всех размеров. Размеры можно подобрать индивидуально, а можно воспользоваться универсальными вариантами:
- В собранном состоянии 90 на 75 на 51 см (длина, ширина, высота).
- В разобранном виде 90, 150, 51 см.
Расчеты должны быть точными, каждый неверный миллиметр может привести к браку всего изделия. Поэтому гораздо удобнее и проще сделать мх с помощью специальной компьютерной программы. В ней можно не только нарисовать макет будущего столика, но и произвести расчет материалов, создать карту распила. Она достаточно проста в освоении. За пару дней можно нарисовать качественный чертеж и избежать возможных ошибок.
Подготовка деталей
Чтобы сделать вместо обычного стола настоящий трансформер своими руками, потребуются следующие детали:
- ДСП толщиной 2,2 см, размером 90 на 60 см, две штуки для столешницы.
- Один лист размером 72 на 35 см в качестве вспомогательной панели.
- Четыре мебельных уголка.
- Четыре бруска высотой по 51 см для опор.
- Механизм трансформации.
- Комплектующие: саморезы, болты, гайки, шайбы, петли.
Для сборки изделия понадобятся шуруповерт, молоток, лобзик или электрическая пила.
Сборка
Сборка — важный этап изготовления стола трансформера с использованием подъемного механизма своими руками. Когда подготовлены все чертежи, инструменты и материалы, можно приступать:
- Аккуратно и тщательно выпилить все намеченные детали. От точности распила будет зависеть удобство раскладывания изделия.
- При помощи эксцентриковой стяжки соединить между собой ножки. Это дополнительно укрепит готовую мебель, добавит ей устойчивости.
- Сделать разметку для закрепления механизма трансформации.
- Просверлить сквозные дырки, прикрепить к ним детали крепления.
- Далее к платформе держателя при помощи уголков закрепить столешницу, при этом начинать фиксацию лучше с меньшей панели.
После этого останется несколько раз сложить и разложить конструкцию, чтобы убедиться, что сборка выполнена качественно и все детали надежно закреплены.
Схема сборкиСобрать ножкиУкрепить каркас ножкамиУстановить механизм трансформацииПрикрепить к ним детали крепленияЗакрепить столешницуГотовое изделие
Финальная отделка и декорирование
Чтобы придать готовому изделию оригинальности, сделать его неповторимым, нужна финальная отделка. Существует много способов декорирования. При выборе важно учитывать общий стиль интерьера. Самодельные столы трансформеры должны гармонично вписываться в пространство. Какие варианты отделки можно использовать:
- Искусственное состаривание изделия. Это модный дизайнерский прием, который подходит под разные стили. Предварительно окрашенную золотой или серебряной краской поверхность лакируют, а после этого проходят по ней шкуркой.
- Покрытие лаком. Можно приобрести в магазине специальный лак, который при высыхании дает эффект растрескивания. Изделие с ним выглядит как дорогая антикварная мебель. Можно добавить к нему конфитюр или блестки, тогда столик будет еще красивее.
- Морская тема. Если после отдыха остались различные камушки и ракушки, то их можно использовать для украшения. Они прекрасно подойдут для декорирования столешницы, ножек или только боков изделия. Можно клеить их в произвольном порядке или составить композицию.
- Трафареты. Они помогут нарисовать любые рисунки или узоры на поверхности. Подойдут готовые магазинные или изготовленные самостоятельно.
- Мозаика. Из осколков разноцветного стекла и зеркал можно сделать красивую композицию, приклеив их к поверхности. Такой столик будет необычным, оригинальным.
Изделие с ним выглядит как дорогая антикварная мебель. Можно добавить к нему конфитюр или блестки, тогда столик будет еще красивее.Ознакомившись с информацией о том, как своими руками сделать стол трансформер, становится понятно, что это несложный процесс. Если ответственно отнестись к задаче, подготовиться и выполнить все необходимые шаги, то в течение нескольких часов можно получить прекрасный многофункциональный предмет мебели, а на сэкономленные средства позвать гостей, чтобы испытать его в деле.
Искусственное состариваниеПокрытие лакомМорская темаТрафаретыМозаика
Видео
( 1 оценка, среднее 5 из 5 )
Поделится с друзьями
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 проблеме вывода структуры таблиц и извлечения 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.
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 умолчаниюTrue) —
Следует ли использовать библиотекуtimmдля магистрали. Если установлено значениеFalse, будет использоваться AutoBackbone
API. - backbone_config (
PretrainedConfigилиdict, необязательный ) —
Конфигурация базовой модели. Используется только в случаеuse_timm_backboneимеет значениеFalse, в котором
случае по умолчанию будетResNetConfig(). - 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 (
strилифункция, 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 умолчаниюFalse) —
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 случаеuse_timm_backbone=True. Поддерживает любые сверточные
магистраль из пакета timm. Список всех доступных моделей см.
страница. - use_pretrained_backbone (
bool, необязательный , по умолчаниюTrue) —
Использовать ли предварительно тренированные веса для позвоночника. Поддерживается только при use_timm_backbone=Истинно. - расширение (
bool, необязательный , по умолчаниюFalse) —
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.
0) —
0) —
Поддерживается только при 
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.
Инициализация с помощью файла конфигурации не 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. или 
models.table_transformer.modeling_table_transformer.TableTransformerModelOutput tuple(torch.FloatTensor)
Параметры
Возвращает
transforms.models.table_transformer.modeling_table_transformer.TableTransformerModelOutput или tuple(torch.FloatTensor)
A transforms.models.table_transform er.modeling_table_transformer.TableTransformerModelOutput или кортеж
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.FloatTensorформы(batch_size, sequence_length, hidden_size)) — Последовательность hidden-состояний на выходе последнего слоя декодера модели. - decoder_hidden_states (
tuple(torch.FloatTensor), необязательный , возвращается, когда передаетсяoutput_hidden_states=Trueили когдаconfig.) — Кортеж output_hidden_states=Tru e 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 передаетсяoutput_attentions=Trueили когдаconfig.output_attentions=True) — Кортежtorch.FloatTensor(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), необязательный , возвращается, когда передаетсяoutput_attentions=Trueили когдаconfig.) — Tu Ple of output_attentions=True torch.FloatTensor(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.FloatTensorформы(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 передаетсяoutput_hidden_states=Trueили когдаconfig.output_hidden_states=True) — Кортежtorch.FloatTensor(один на выход 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 передаетсяoutput_attentions=Trueили когдаconfig.output_attentions=True) — Кортежtorch.FloatTensor(по одному на каждый слой ) формы(batch_size, num_heads, sequence_length, sequence_length). Веса внимания кодировщика после внимания softmax, используемые для вычисления
средневзвешенное значение в головах самовнимания. - middle_hidden_states (
torch.FloatTensorформы(config.decoder_layers, batch_size, sequence_length, hidden_size), необязательный , возвращается, когдаconfig.auxiliary_loss = True) — Активации промежуточного декодера, т.е. вывод каждого слой декодера, каждый из них прошел через
норма слоя.
output_hidden_states=Tru e 
output_attentions=True 
Скрытые состояния энкодера на выходе каждого 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] 
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)
Параметры
Возвращает
transforms.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput или tuple(torch.FloatTensor)
A transforms.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput или кортеж
torch. (если передано 
FloatTensor return_dict=False или когда config.return_dict=False ), включающий различные
элементы в зависимости от конфигурации (TableTransformerConfig) и входов.
- потери (
torch.FloatTensorформы(1,), необязательный , возвращается, когда предоставленометок)) — Полные потери как линейная комбинация отрицательного логарифмического сходства (крест — 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.FloatTensorформы(batch_size, num_queries, num_classes + 1)) — логиты классификации (включая отсутствие объектов) для всех запросов. - pred_boxes (
torch.FloatTensorформы(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_detectionв
получить ненормализованные ограничивающие рамки. - auxiliary_outputs (
list[Dict], optional ) — Необязательный, возвращается только при активации вспомогательных потерь (т.е.config.auxiliary_lossустановлен наTrue)
и этикетки предоставляются. Это список словарей, содержащих два вышеуказанных ключа (логитови
pred_boxes) для каждого уровня декодера. - last_hidden_state (
torch.формы FloatTensor (batch_size, sequence_length, hidden_size), необязательно ) — Последовательность hidden-состояний на выходе последнего слоя декодера модели. - decoder_hidden_states (
tuple(torch.FloatTensor), необязательный , возвращается, когда передаетсяoutput_hidden_states=Trueили когдаconfig.output_hidden_states=Tru e) — Кортеж изtorch.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 передаетсяoutput_attentions=Trueили когдаconfig.output_attentions=True) — Кортеж изtorch.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 передаетсяoutput_attentions=Trueили когдаconfig.output_attentions=True) — Tu Пленкаtorch.FloatTensor(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.FloatTensorформы(batch_size, sequence_length, hidden_size), option ) — Последовательность hidden-состояний на выходе последнего слоя энкодера модели. - encoder_hidden_states (
tuple(torch., необязательный , возвращается, когда передается FloatTensor) output_hidden_states=Trueили когдаconfig.output_hidden_states=Tru e) — Кортежtorch.FloatTensor(один для вывода 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 передаетсяoutput_attentions=Trueили когдаconfig.output_attentions=True) — Кортежtorch.FloatTensor(по одному на каждый слой ) формы(batch_size, num_heads, sequence_length, sequence_length). Веса внимания кодировщика после внимания softmax, используемые для вычисления
средневзвешенное значение в головах самовнимания.
FloatTensor 
Веса внимания декодера после внимания softmax, используемые для вычисления
FloatTensor) 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) for i in 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 местоположении [202.1, 210.59, 1119.22, 385.09] 
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) for i in 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 местоположении [202.1, 210.59, 1119.22, 385.09] Поставка Armstrong — Transformer Tables and Charts
Поставка Armstrong — Таблицы и схемы трансформаторов
| ||||||||||||||||||||||||||||||||||
gif» align=»center» colspan=»4″>
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
25
| ||||||||||||||||||||||||
