Yolos Tiny

🚀 YOLOS (tiny-sized) 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 的團隊未為此模型編寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

🚀 快速開始

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

✨ 主要特性

YOLOS 是一個使用 DETR 損失進行訓練的視覺變換器（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 的平均精度（AP），與 DETR 以及更復雜的框架（如 Faster R-CNN）相當。

該模型使用“二分匹配損失”進行訓練：將 N = 100 個目標查詢中的每個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的長度 N（因此，如果一張圖像僅包含 4 個目標，那麼 96 個標註的類別將為“無目標”，邊界框將為“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。接下來，使用標準的交叉熵（用於類別）以及 L1 和廣義交併比（IoU）損失的線性組合（用於邊界框）來優化模型的參數。

📦 安裝指南

暫未提及安裝相關內容，可參考 Hugging Face 上的通用安裝方式來安裝所需依賴庫。

💻 使用示例

基礎用法

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}"
    )

目前，特徵提取器和模型均支持 PyTorch。

📚 詳細文檔

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 張帶標註的圖像用於訓練和驗證。

訓練過程

該模型在 ImageNet-1k 上預訓練了 300 個週期，並在 COCO 上微調了 300 個週期。

評估結果

該模型在 COCO 2017 驗證集上的平均精度（AP）達到了 28.7。有關評估結果的更多詳細信息，請參考原始論文。

🔧 技術細節

該模型使用“二分匹配損失”進行訓練，將預測結果與真實標註進行比較，並使用匈牙利匹配算法創建最優映射，再結合標準交叉熵和 L1 與廣義 IoU 損失的線性組合來優化模型參數。

📄 許可證

本項目採用 Apache-2.0 許可證。

BibTeX 引用和引用信息

@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}
}

示例展示

• Savanna
• Football Match
• Airport