许可协议：apache-2.0
标签：

• 目标检测
• 车牌检测
• 车辆检测
  数据集：
• coco
• 车牌检测
  示例部件：
• 图片链接：https://drive.google.com/uc?id=1j9VZQ4NDS4gsubFf3m2qQoTMWLk552bQ
  示例标题："斯柯达1"
• 图片链接：https://drive.google.com/uc?id=1p9wJIqRz3W50e2f_A0D8ftla8hoXz4T5
  示例标题："斯柯达2"
  评估指标：
• 平均精度
• 召回率
• 交并比(IOU)
  模型索引：
• 名称：yolos-small-rego-plates-detection
  结果：[]

YOLOS（小型）模型

原始YOLOS模型基于COCO 2017目标检测数据集（11.8万张标注图像）进行了微调。该模型由Fang等人在论文《You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection》中提出，并首次发布于此代码库。
本模型进一步在Kaggle的车牌数据集上进行了微调。该数据集包含735张标注为"车辆"和"车牌"的图像。模型在Google Colab的单GPU上训练了200轮次。

模型描述

YOLOS是一种使用DETR损失训练的视觉Transformer（ViT）。尽管结构简洁，基础尺寸的YOLOS模型在COCO 2017验证集上达到了42 AP的性能（与DETR及更复杂的框架如Faster R-CNN相当）。

预期用途与限制

您可将该原始模型用于目标检测任务。查看模型库以获取所有可用YOLOS模型。

使用方法

使用方式如下：

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-rego-plates-detection')  
model = YolosForObjectDetection.from_pretrained('nickmuchi/yolos-small-rego-plates-detection')  
inputs = feature_extractor(images=image, return_tensors="pt")  
outputs = model(**inputs)  

# 模型预测边界框及对应车牌检测类别  
logits = outputs.logits  
bboxes = outputs.pred_boxes  

当前特征提取器和模型均仅支持PyTorch。

训练数据

YOLOS模型先在ImageNet-1k上预训练，后在COCO 2017目标检测数据集（含11.8万训练图/5千验证图）上微调。

训练过程

本模型基于车牌数据集微调了200轮次。

评估结果

该模型达到47.9的平均精度(AP)。

正在汇总评估结果...

交并比指标：边界框