/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
yolos · dense
Опубликована
26 апр 2022

yolos-small-300

Поиск объектовИзображение → bounding_boxes3 профессии

Компактная модель YOLOS на базе Vision Transformer обнаруживает объекты и их расположение на изображениях.

190скачиваний за 30 дней6лайковвеса обновлены10 апр 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

YOLOS-small-300 — модель обнаружения объектов на изображениях, основанная на Vision Transformer. Семейство YOLOS представлено Fang и соавторами в работе о применении трансформеров для обнаружения объектов; этот чекпойнт опубликован в репозитории YOLOS и дообучен на COCO 2017 после предварительного обучения на ImageNet-1k. Модель содержит 28,3 млн параметров и использует архитектуру YolosForObjectDetection.

Модель принимает изображение и предсказывает классы объектов и их ограничивающие рамки. Она обучена с функцией потерь DETR и сопоставлением предсказаний с разметкой алгоритмом Венгерского назначения. На проверочной выборке COCO 2017 указана точность AP 36,1. Подходит для обнаружения объектов общего назначения на изображениях; в карточке не заявлена поддержка видео или других типов входных данных.

Модель распространяется по лицензии Apache-2.0. Результаты оценки относятся к COCO 2017; качество на других наборах данных и в прикладных условиях может отличаться.

Сценарии применения

  • обнаружение объектов на фотографиях
  • нахождение и классификация объектов на изображениях COCO
  • получение ограничивающих рамок объектов для последующей обработки
  • анализ изображений в компьютерном зрении

Ограничения

Оценка AP 36,1 приведена для COCO 2017; качество на других данных может отличаться. Карточка описывает обнаружение объектов на изображениях и не заявляет возможности обработки видео.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

YOLOS (small-sized) model (300 pre-train epochs)

YOLOS model fine-tuned on COCO 2017 object detection (118k annotated images). It was introduced in the paper You Only Look at One Sequence: Rethinking Transformer in Vision through Object Detection by Fang et al. and first released in this repository.

Disclaimer: The team releasing YOLOS did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

YOLOS is a Vision Transformer (ViT) trained using the DETR loss. Despite its simplicity, a base-sized YOLOS model is able to achieve 42 AP on COCO validation 2017 (similar to DETR and more complex frameworks such as Faster R-CNN).

The model is trained using a "bipartite matching loss": one compares the predicted classes + bounding boxes of each of the N = 100 object queries to the ground truth annotations, padded up to the same length N (so if an image only contains 4 objects, 96 annotations will just have a "no object" as class and "no bounding box" as bounding box). The Hungarian matching algorithm is used to create an optimal one-to-one mapping between each of the N queries and each of the N annotations. Next, standard cross-entropy (for the classes) and a linear combination of the L1 and generalized IoU loss (for the bounding boxes) are used to optimize the parameters of the model.

Intended uses & limitations

You can use the raw model for object detection. See the model hub to look for all available YOLOS models.

How to use

Here is how to use this model:

from transformers import YolosImageProcessor, YolosForObjectDetection
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

image_processor = YolosImageProcessor.from_pretrained('hustvl/yolos-small-300')
model = YolosForObjectDetection.from_pretrained('hustvl/yolos-small-300')

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

# model predicts bounding boxes and corresponding COCO classes
logits = outputs.logits
bboxes = outputs.pred_boxes

Currently, both the image processor and model support PyTorch.

Training data

The YOLOS model was pre-trained on ImageNet-1k and fine-tuned on COCO 2017 object detection, a dataset consisting of 118k/5k annotated images for training/validation respectively.

Training

The model was pre-trained for 300 epochs on ImageNet-1k and fine-tuned for 150 epochs on COCO.

Evaluation results

This model achieves an AP (average precision) of 36.1 on COCO 2017 validation. For more details regarding evaluation results, we refer to table 1 of the original paper.

BibTeX entry and citation info

@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}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · object-detection

Можно запустить

Подбираем GPU…

Класс архитектуры
YolosForObjectDetection
Ревизия весов
720d7bc

0 моделей