模型:

nickmuchi/yolos-small-finetuned-license-plate-detection

英文

YOLOS(小尺寸)模型

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。

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)。

预期用途和限制

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。

使用方法

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。

训练数据

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。

训练

此模型在 licesne-plate-recognition 上进行了200轮的微调。

评估结果

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