模型:
nickmuchi/yolos-small-finetuned-license-plate-detection
这个模型是Roboflow中 licesne-plate-recognition 数据集上的 hustvl/yolos-small 的微调版本,该数据集包含5200张训练集图片和380张验证集图片。原始的YOLOS模型是在COCO 2017目标检测数据集(118k个标注图像)上进行微调的。
YOLOS是使用DETR损失进行训练的Vision Transformer(ViT)。尽管它很简单,但基本尺寸的YOLOS模型能够在COCO 2017验证集上达到42的AP值(与DETR和更复杂的框架(如Faster R-CNN)相似)。
您可以将原始模型用于目标检测。可以查看 model hub 来查找所有可用的YOLOS模型。
以下是使用此模型的方法:
from transformers import YolosFeatureExtractor, YolosForObjectDetection from PIL import Image import requests url = 'https://drive.google.com/uc?id=1p9wJIqRz3W50e2f_A0D8ftla8hoXz4T5' image = Image.open(requests.get(url, stream=True).raw) feature_extractor = YolosFeatureExtractor.from_pretrained('nickmuchi/yolos-small-finetuned-license-plate-detection') model = YolosForObjectDetection.from_pretrained('nickmuchi/yolos-small-finetuned-license-plate-detection') inputs = feature_extractor(images=image, return_tensors="pt") outputs = model(**inputs) # model predicts bounding boxes and corresponding face mask detection classes logits = outputs.logits bboxes = outputs.pred_boxes
目前,特征提取器和模型都支持PyTorch。
YOLOS模型在 ImageNet-1k 上进行了预训练,并在 COCO 2017 object detection 上进行了微调,该数据集分别包含了118k/5k个进行训练/验证的标注图像。
此模型在 licesne-plate-recognition 上进行了200轮的微调。
此模型的AP(平均精度)为49.0。
累积评估结果...
IoU指标:bbox
Metrics | Metric Parameter | Location | Dets | Value |
---|---|---|---|---|
Average Precision | (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] | 0.490 |
Average Precision | (AP) @[ IoU=0.50 | area= all | maxDets=100 ] | 0.792 |
Average Precision | (AP) @[ IoU=0.75 | area= all | maxDets=100 ] | 0.585 |
Average Precision | (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] | 0.167 |
Average Precision | (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] | 0.460 |
Average Precision | (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] | 0.824 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] | 0.447 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] | 0.671 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] | 0.676 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] | 0.278 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] | 0.641 |
Average Recall | (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] | 0.890 |