yolos-small-finetuned-license-plate-detection

YOLOS-Small微调车牌检测项目介绍

模型概述

YOLOS-Small微调车牌检测项目基于YOLOS模型，这是一个视觉转换器（ViT）模型，利用DETR损失进行训练。尽管架构简单，YOLOS基础模型在COCO 2017验证集上已达到了42的平均精度（AP），与DETR和复杂的Faster R-CNN框架相媲美。

数据集

该模型在Roboflow上线的车牌识别数据集上进行了微调。该数据集包含5200张训练图像和380张验证图像，图像主要用于车辆车牌检测。YOLOS模型最初在COCO 2017物体检测数据集上进行了预训练，该数据集包括118,000张带注释的图像用于训练，5000张用于验证。

模型训练

YOLOS模型的训练从ImageNet-1k开始进行预训练，然后在COCO 2017物体检测数据集上进行了微调。针对车牌识别，该模型进行了200个周期的微调训练。

功能与用途

该模型主要用于对象检测，尤其擅长车牌和车辆的检测。用户可以访问模型预览中心查找所有可用的YOLOS模型。

使用方法

用户可以通过几行Python代码来使用该模型：

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)

logits = outputs.logits
bboxes = outputs.pred_boxes

目前，模型和特征提取器支持PyTorch框架。

模型评估结果

YOLOS-Small微调车牌检测模型在平均精度（AP）上的表现如下：

• 在IoU=0.50:0.95范围内的AP为0.490
• 在IoU=0.50的AP为0.792
• 在IoU=0.75的AP为0.585

针对不同区域大小的检测表现为：

• 小尺寸区域的AP为0.167
• 中等尺寸区域的AP为0.460
• 大尺寸区域的AP为0.824

平均召回率（AR）方面：

• 全部区域在单个检测下的AR为0.447
• 在最多10个检测情况下的AR为0.671
• 在最多100个检测情况下的AR为0.676

该模型在大尺寸区域表现尤为出色，AR达到0.890。总体来看，YOLOS-Small微调的车牌检测模型在检测车牌对象的精度和召回率方面都有不错的表现。