标签:

• 目标检测
• 视觉 微调自:
• hustvl/yolos-small

基于Matterport气球数据集微调的YOLOS（小尺寸）模型

YOLOS是一种使用DETR损失训练的视觉Transformer（ViT）。尽管结构简单，基础尺寸的YOLOS模型在COCO 2017验证集上能达到42 AP（与DETR及更复杂框架如Faster R-CNN相当）。本模型在COCO 2017目标检测数据集（11.8万标注图像）上微调，由Fang等人在论文《You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection》中提出，并首发于此代码库。

模型描述

该模型采用"二分匹配损失"进行训练：将N=100个对象查询的预测类别+边界框与填充至相同长度N的真实标注进行比对（若图像仅含4个物体，则剩余96个标注的类别为"无对象"，边界框为"无边界框"）。匈牙利匹配算法用于在N个查询与N个标注间建立最优一对一映射，随后通过标准交叉熵损失（类别）及L1与广义IoU损失的线性组合（边界框）优化模型参数。

当前特征提取器与模型均支持PyTorch框架。

训练数据

本模型先在ImageNet-1k上预训练，后在COCO 2017目标检测数据集（含11.8万训练/5千验证标注图像）上微调，最终在Matterport气球检测数据集（含74张标注图像）上进一步微调。

训练过程

模型在ImageNet-1k上预训练200轮，COCO上微调150轮，最后在Matterport气球数据集上微调96轮。详细训练过程可参阅此笔记本。

评估结果

该模型在Matterport气球验证集上达到26.9的平均精度（AP）。

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}
}