YOLOS（基准尺寸）模型

YOLOS模型在COCO 2017物体检测（118,000个带注释的图像）上进行了微调。它在Fang等人的论文 You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection 中首次提出，并于 this repository 首次发布。

免责声明：发布YOLOS模型的团队没有为该模型撰写模型卡，因此此模型卡是由Hugging Face团队撰写的。

模型描述

YOLOS是使用DETR损失进行训练的Vision Transformer（ViT）。尽管它很简单，但基准尺寸的YOLOS模型能够在COCO 2017验证集上实现42的AP（与DETR和更复杂的框架（如Faster R-CNN）相似）。

该模型使用“二分图匹配损失”进行训练：将每个N = 100个对象查询的预测类别+边界框与地面实况注释进行比较，填充到相同长度N（因此，如果图像只包含4个对象，则96个注释只会有一个类别为“无对象”和一个边界框为“无边界框”）。匈牙利匹配算法用于在每个N查询和每个N注释之间创建一个最佳的一对一映射。然后，使用标准的交叉熵（用于类别）和L1和广义IoU损失的线性组合（用于边界框）来优化模型的参数。

预期用途和限制

您可以将原始模型用于对象检测。请参阅 model hub 以查找所有可用的YOLOS模型。

如何使用

以下是如何使用此模型的方法：

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-base')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-base')

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，特征提取器和模型都支持PyTorch。

训练数据

YOLOS模型在 ImageNet-1k 上进行了预训练，并在118,000/5,000个带注释的图像的训练/验证集上进行了微调。

训练

该模型在ImageNet-1k上进行了1000个epoch的预训练，并在COCO上进行了150个epoch的微调。

评估结果

此模型在COCO 2017验证集上实现了42.0的AP（平均精度）。有关评估结果的更多详细信息，请参阅原始论文。

BibTeX条目和引文信息

@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}
}