Yolos Small Dwr

🚀 YOLOS（小型、快速模型扩展）模型

YOLOS 模型在 COCO 2017 目标检测数据集（11.8 万张带标注图像）上进行了微调。该模型由 Fang 等人在论文 You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection 中提出，并首次在 此仓库 发布。

声明：发布 YOLOS 的团队并未为此模型撰写模型卡片，此模型卡片由 Hugging Face 团队编写。

🚀 快速开始

你可以使用此原始模型进行目标检测。查看 模型中心 以查找所有可用的 YOLOS 模型。

以下是使用该模型的示例代码：

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，特征提取器和模型均支持 PyTorch。

✨ 主要特性

• YOLOS 是一个使用 DETR 损失训练的视觉变换器（ViT）。尽管其结构简单，但基础大小的 YOLOS 模型在 COCO 2017 验证集上能够达到 42 AP（与 DETR 以及更复杂的框架如 Faster R - CNN 相当）。
• 模型使用“二分匹配损失”进行训练：将 N = 100 个目标查询的预测类别和边界框与真实标注进行比较，真实标注会填充到相同长度 N（因此，如果一张图像仅包含 4 个目标，96 个标注的类别将为“无目标”，边界框为“无边界框”）。使用匈牙利匹配算法在 N 个查询和 N 个标注之间创建最优的一对一映射。然后，使用标准交叉熵（用于类别）和 L1 与广义 IoU 损失的线性组合（用于边界框）来优化模型参数。

📦 安装指南

文档未提及安装步骤，此部分跳过。

💻 使用示例

基础用法

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

高级用法

文档未提及高级用法示例，此部分跳过。

📚 详细文档

模型描述

YOLOS 是一个使用 DETR 损失训练的视觉变换器（ViT）。尽管其结构简单，但基础大小的 YOLOS 模型在 COCO 2017 验证集上能够达到 42 AP（与 DETR 以及更复杂的框架如 Faster R - CNN 相当）。

模型使用“二分匹配损失”进行训练：将 N = 100 个目标查询的预测类别和边界框与真实标注进行比较，真实标注会填充到相同长度 N（因此，如果一张图像仅包含 4 个目标，96 个标注的类别将为“无目标”，边界框为“无边界框”）。使用匈牙利匹配算法在 N 个查询和 N 个标注之间创建最优的一对一映射。然后，使用标准交叉熵（用于类别）和 L1 与广义 IoU 损失的线性组合（用于边界框）来优化模型参数。

预期用途与局限性

你可以使用此原始模型进行目标检测。查看 模型中心 以查找所有可用的 YOLOS 模型。

评估结果

该模型在 COCO 2017 验证集上的平均精度（AP）达到了 37.6。有关评估结果的更多详细信息，请参考原论文的表 1。

🔧 技术细节

训练数据

YOLOS 模型在 ImageNet - 1k 上进行了预训练，并在 COCO 2017 目标检测 数据集上进行了微调，该数据集分别包含 11.8 万张和 5000 张用于训练和验证的带标注图像。

训练过程

该模型在 ImageNet - 1k 上预训练了 300 个 epoch，并在 COCO 上微调了 150 个 epoch。

📄 许可证

该模型使用 Apache - 2.0 许可证。

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