要把 DETR（DEtection TRansformer）的网络结构研究透彻，最硬核的方式就是跟着张量（Tensor）的形状变化走一遍全流程。在深度学习中，无论算法吹得多么天花乱坠，最终都是矩阵形状的变换。假设我们输入给 DETR 的是一张普通的图片，形状为3×800×800C×H×W），Batch Size 设为B。下面将详细拆解数据在 DETR 内部是如何一步步被“揉捏”成最终的检测框的。