Yolos Tiny

🚀 YOLOS (tiny-sized) モデル

YOLOSモデルは、COCO 2017物体検出データセット（118,000枚の注釈付き画像）でファインチューニングされたモデルです。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。

免責事項: 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。

✨ 主な機能

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。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検証データセットで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です）。

このモデルは「二部マッチング損失」を使用して学習されています。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（例えば、画像に4つの物体しか含まれていない場合、96個の注釈は「物体なし」クラスと「バウンディングボックスなし」となります）。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個の注釈の間で最適な1対1のマッピングを作成します。次に、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

この生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。

📦 インストール

このセクションでは、インストールに関する具体的な手順が提供されていません。

💻 使用例

基本的な使用法

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

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

model = YolosForObjectDetection.from_pretrained('hustvl/yolos-tiny')
image_processor = YolosImageProcessor.from_pretrained("hustvl/yolos-tiny")

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

# model predicts bounding boxes and corresponding COCO classes
logits = outputs.logits
bboxes = outputs.pred_boxes


# print results
target_sizes = torch.tensor([image.size[::-1]])
results = image_processor.post_process_object_detection(outputs, threshold=0.9, target_sizes=target_sizes)[0]
for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
        f"Detected {model.config.id2label[label.item()]} with confidence "
        f"{round(score.item(), 3)} at location {box}"
    )

現在、特徴抽出器とモデルの両方がPyTorchをサポートしています。

📚 ドキュメント

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 データセット（それぞれ118,000枚と5,000枚の注釈付き画像を含む学習データセットと検証データセット）でファインチューニングされています。

学習

このモデルは、ImageNet-1kで300エポック事前学習され、COCOで300エポックファインチューニングされています。

評価結果

このモデルは、COCO 2017検証データセットで28.7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、元の論文を参照してください。

BibTeX引用

@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}
}

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。