Yolos Small Dwr

🚀 YOLOS（小型、快速模型擴展）模型

YOLOS 模型在 COCO 2017 目標檢測數據集（11.8 萬張帶標註圖像）上進行了微調。該模型由 Fang 等人在論文 You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection 中提出，並首次在 此倉庫 發佈。

聲明：發佈 YOLOS 的團隊並未為此模型撰寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

🚀 快速開始

你可以使用此原始模型進行目標檢測。查看 模型中心 以查找所有可用的 YOLOS 模型。

以下是使用該模型的示例代碼：

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

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

feature_extractor = YolosFeatureExtractor.from_pretrained('hustvl/yolos-small-dwr')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-small-dwr')

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

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

目前，特徵提取器和模型均支持 PyTorch。

✨ 主要特性

• YOLOS 是一個使用 DETR 損失訓練的視覺變換器（ViT）。儘管其結構簡單，但基礎大小的 YOLOS 模型在 COCO 2017 驗證集上能夠達到 42 AP（與 DETR 以及更復雜的框架如 Faster R - CNN 相當）。
• 模型使用“二分匹配損失”進行訓練：將 N = 100 個目標查詢的預測類別和邊界框與真實標註進行比較，真實標註會填充到相同長度 N（因此，如果一張圖像僅包含 4 個目標，96 個標註的類別將為“無目標”，邊界框為“無邊界框”）。使用匈牙利匹配算法在 N 個查詢和 N 個標註之間創建最優的一對一映射。然後，使用標準交叉熵（用於類別）和 L1 與廣義 IoU 損失的線性組合（用於邊界框）來優化模型參數。

📦 安裝指南

文檔未提及安裝步驟，此部分跳過。

💻 使用示例

基礎用法

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

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

feature_extractor = YolosFeatureExtractor.from_pretrained('hustvl/yolos-small-dwr')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-small-dwr')

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

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

高級用法

文檔未提及高級用法示例，此部分跳過。

📚 詳細文檔

模型描述

YOLOS 是一個使用 DETR 損失訓練的視覺變換器（ViT）。儘管其結構簡單，但基礎大小的 YOLOS 模型在 COCO 2017 驗證集上能夠達到 42 AP（與 DETR 以及更復雜的框架如 Faster R - CNN 相當）。

模型使用“二分匹配損失”進行訓練：將 N = 100 個目標查詢的預測類別和邊界框與真實標註進行比較，真實標註會填充到相同長度 N（因此，如果一張圖像僅包含 4 個目標，96 個標註的類別將為“無目標”，邊界框為“無邊界框”）。使用匈牙利匹配算法在 N 個查詢和 N 個標註之間創建最優的一對一映射。然後，使用標準交叉熵（用於類別）和 L1 與廣義 IoU 損失的線性組合（用於邊界框）來優化模型參數。

預期用途與侷限性

你可以使用此原始模型進行目標檢測。查看 模型中心 以查找所有可用的 YOLOS 模型。

評估結果

該模型在 COCO 2017 驗證集上的平均精度（AP）達到了 37.6。有關評估結果的更多詳細信息，請參考原論文的表 1。

🔧 技術細節

訓練數據

YOLOS 模型在 ImageNet - 1k 上進行了預訓練，並在 COCO 2017 目標檢測 數據集上進行了微調，該數據集分別包含 11.8 萬張和 5000 張用於訓練和驗證的帶標註圖像。

訓練過程

該模型在 ImageNet - 1k 上預訓練了 300 個 epoch，並在 COCO 上微調了 150 個 epoch。

📄 許可證

該模型使用 Apache - 2.0 許可證。

BibTeX 引用信息

@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}
}

信息表格