🚀 YOLOS (基础尺寸) 模型

YOLOS 是一个在目标检测领域表现出色的模型。它基于 Vision Transformer 架构，通过在 COCO 2017 目标检测数据集上进行微调，能够精准地识别图像中的各类物体，为图像识别和分析提供了强大的支持。

🚀 快速开始

你可以使用这个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。

以下是如何使用此模型的示例代码：

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

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)

# 模型预测边界框和对应的 COCO 类别
logits = outputs.logits
bboxes = outputs.pred_boxes

目前，特征提取器和模型都支持 PyTorch。

✨ 主要特性

• 高性能：尽管结构简单，但基础尺寸的 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）表现相当。
• 独特的训练损失：模型使用“二分匹配损失”进行训练，通过匈牙利匹配算法在查询和标注之间创建一对一的最优映射，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

文档未提及具体安装步骤，故跳过此章节。

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

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)

# 模型预测边界框和对应的 COCO 类别
logits = outputs.logits
bboxes = outputs.pred_boxes

高级用法

文档未提及高级用法相关代码，故跳过此部分。

📚 详细文档

模型描述

YOLOS 是一个使用 DETR 损失进行训练的 Vision Transformer (ViT)。尽管结构简单，但基础尺寸的 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）表现相当。

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，标注会填充到相同长度 N（因此，如果一张图像仅包含 4 个物体，96 个标注的类别将为“无物体”，边界框为“无边界框”）。使用匈牙利匹配算法在 N 个查询和 N 个标注之间创建一对一的最优映射。接下来，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。

预期用途和限制

你可以使用这个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。

训练数据

YOLOS 模型在 ImageNet - 1k 上进行预训练，并在 COCO 2017 目标检测 上进行微调。COCO 2017 数据集分别包含 118k/5k 张用于训练/验证的标注图像。

训练过程

模型在 ImageNet - 1k 上预训练 1000 个 epoch，并在 COCO 上微调 150 个 epoch。

评估结果

该模型在 COCO 2017 验证集上的平均精度 (AP) 达到了 42.0。有关评估结果的更多详细信息，请参考原始论文。

🔧 技术细节

文档未提供足够详细的技术实现细节（具体技术说明少于 50 字），故跳过此章节。

📄 许可证

本模型使用 Apache - 2.0 许可证。

BibTeX 引用和引用信息

@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