Yolos Small 300

🚀 YOLOS (小型) モデル (300エポックの事前学習)

YOLOSモデルは、COCO 2017の物体検出タスク（118,000枚の注釈付き画像）でファインチューニングされています。このモデルは、Fangらによる論文 You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection で紹介され、このリポジトリ で最初に公開されました。

なお、YOLOSを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

🚀 クイックスタート

YOLOSモデルを使用して物体検出を行うことができます。以下に使用例を示します。

from transformers import YolosImageProcessor, YolosForObjectDetection
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

image_processor = YolosImageProcessor.from_pretrained('hustvl/yolos-small-300')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-small-300')

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# モデルはバウンディングボックスと対応するCOCOクラスを予測します
logits = outputs.logits
bboxes = outputs.pred_boxes

現在、画像プロセッサとモデルはどちらもPyTorchをサポートしています。

✨ 主な機能

YOLOSは、DETR損失を使用して学習されたVision Transformer (ViT) です。シンプルな構造でありながら、ベースサイズのYOLOSモデルはCOCO 2017のバリデーションセットで42 APを達成することができます（DETRやFaster R-CNNなどのより複雑なフレームワークと同等の性能）。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import YolosImageProcessor, YolosForObjectDetection
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

image_processor = YolosImageProcessor.from_pretrained('hustvl/yolos-small-300')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-small-300')

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# モデルはバウンディングボックスと対応するCOCOクラスを予測します
logits = outputs.logits
bboxes = outputs.pred_boxes

📚 ドキュメント

モデルの説明

YOLOSは、DETR損失を使用して学習されたVision Transformer (ViT) です。モデルは "二部マッチング損失" を使用して学習されます。具体的には、N = 100の各物体クエリの予測クラスとバウンディングボックスを、同じ長さNにパディングされた正解注釈と比較します。ハンガリアンマッチングアルゴリズムを使用して、N個のクエリとN個の注釈の間に最適な1対1のマッピングを作成します。その後、標準的な交差エントロピー（クラスに対して）とL1損失と一般化IoU損失の線形結合（バウンディングボックスに対して）を使用して、モデルのパラメータを最適化します。

想定される用途と制限

このモデルは物体検出に使用できます。利用可能なすべてのYOLOSモデルを探すには、モデルハブ を参照してください。

🔧 技術詳細

学習データ

YOLOSモデルは、ImageNet-1k で事前学習され、COCO 2017物体検出 でファインチューニングされています。COCO 2017は、それぞれ118,000枚と5,000枚の注釈付き画像からなる学習セットとバリデーションセットを持つデータセットです。

学習方法

モデルはImageNet-1kで300エポック事前学習され、COCOで150エポックファインチューニングされました。

評価結果

このモデルは、COCO 2017のバリデーションセットで 36.1 のAP (平均精度) を達成しています。評価結果の詳細については、原著論文の表1を参照してください。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で公開されています。

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-2106-00666,
  author    = {Yuxin Fang and
               Bencheng Liao and
               Xinggang Wang and
               Jiemin Fang and
               Jiyang Qi and
               Rui Wu and
               Jianwei Niu and
               Wenyu Liu},
  title     = {You Only Look at One Sequence: Rethinking Transformer in Vision through
               Object Detection},
  journal   = {CoRR},
  volume    = {abs/2106.00666},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.00666},
  eprinttype = {arXiv},
  eprint    = {2106.00666},
  timestamp = {Fri, 29 Apr 2022 19:49:16 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-00666.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}