参数

• images (ImageInput) — 要预处理的图像或一批图像。期望是单个或一批像素值范围在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 `do_rescale=False`。
• annotations (AnnotationType or list[AnnotationType], optional) — 与图像或图像批次相关联的标注列表。如果标注用于目标检测，标注应为包含以下键的字典：
  • “image_id” (int): 图像 ID。
  • “annotations” (list[Dict]): 图像的标注列表。每个标注都应为一个字典。一张图像可以没有标注，此时列表应为空。如果标注用于分割，标注应为包含以下键的字典：
  • “image_id” (int): 图像 ID。
  • “segments_info” (list[Dict]): 图像的分割信息列表。每个分割信息都应为一个字典。一张图像可以没有分割信息，此时列表应为空。
  • “file_name” (str): 图像的文件名。
• return_segmentation_masks (bool, optional, defaults to self.return_segmentation_masks) — 是否返回分割掩码。
• masks_path (str or pathlib.Path, optional) — 包含分割掩码的目录路径。
• do_resize (bool, optional, defaults to self.do_resize) — 是否调整图像大小。
• size (dict[str, int], optional, defaults to self.size) — 调整大小后图像的 `(height, width)` 尺寸。可用选项包括：
  • {"height": int, "width": int}: 图像将被调整为精确的 `(height, width)` 尺寸。不保持宽高比。
  • {"shortest_edge": int, "longest_edge": int}: 图像将被调整到最大尺寸，同时保持宽高比，并使最短边小于或等于 `shortest_edge`，最长边小于或等于 `longest_edge`。
  • {"max_height": int, "max_width": int}: 图像将被调整到最大尺寸，同时保持宽高比，并使高度小于或等于 `max_height`，宽度小于或等于 `max_width`。
• resample (PILImageResampling, optional, defaults to self.resample) — 调整图像大小时使用的重采样滤波器。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 对图像进行缩放时使用的缩放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float or list[float], optional, defaults to self.image_mean) — 归一化图像时使用的均值。
• image_std (float or list[float], optional, defaults to self.image_std) — 归一化图像时使用的标准差。
• do_convert_annotations (bool, optional, defaults to self.do_convert_annotations) — 是否将标注转换为模型期望的格式。将边界框从 `(top_left_x, top_left_y, width, height)` 格式转换为 `(center_x, center_y, width, height)` 格式，并使用相对坐标。
• do_pad (bool, optional, defaults to self.do_pad) — 是否对图像进行填充。如果为 `True`，则会在图像的底部和右侧用零进行填充。如果提供了 `pad_size`，图像将被填充到指定尺寸。否则，图像将被填充到批处理中的最大高度和宽度。
• format (str or AnnotationFormat, optional, defaults to self.format) — 标注的格式。
• return_tensors (str or TensorType, optional, defaults to self.return_tensors) — 返回张量的类型。如果为 `None`，将返回图像列表。
• data_format (str or ChannelDimension, optional, defaults to self.data_format) — 图像的通道维度格式。如果未提供，将与输入图像相同。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式。如果未设置，将从输入图像中推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。
• pad_size (dict[str, int], optional) — 用于填充图像的尺寸 {"height": int, "width" int}。必须大于为预处理提供的任何图像尺寸。如果未提供 `pad_size`，图像将被填充到批处理中的最大高度和宽度。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望是单个或一批像素值范围在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 `do_rescale=False`。
• annotations (AnnotationType or list[AnnotationType], optional) — 与图像或图像批次相关联的标注列表。如果标注用于目标检测，标注应为包含以下键的字典：
  • “image_id” (int): 图像 ID。
  • “annotations” (list[Dict]): 图像的标注列表。每个标注都应为一个字典。一张图像可以没有标注，此时列表应为空。如果标注用于分割，标注应为包含以下键的字典：
  • “image_id” (int): 图像 ID。
  • “segments_info” (list[Dict]): 图像的分割信息列表。每个分割信息都应为一个字典。一张图像可以没有分割信息，此时列表应为空。
  • “file_name” (str): 图像的文件名。
• masks_path (str or pathlib.Path, optional) — 包含分割掩码的目录路径。
• do_resize (bool, optional) — 是否调整图像大小。
• size (dict[str, int], optional) — 描述模型的最大输入尺寸。
• default_to_square (bool, optional) — 在调整大小时，如果 size 是一个整数，是否默认调整为方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果要调整图像大小，使用的重采样滤波器。这可以是 `PILImageResampling` 枚举之一。仅当 `do_resize` 设置为 `True` 时有效。
• do_center_crop (bool, optional) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], optional) — 应用 `center_crop` 后输出图像的尺寸。
• do_rescale (bool, optional) — 是否对图像进行缩放。
• rescale_factor (Union[int, float, NoneType]) — 如果 `do_rescale` 设置为 `True`，用于缩放图像的缩放因子。
• do_normalize (bool, optional) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当 `do_normalize` 设置为 `True` 时有效。
• do_convert_rgb (bool, optional) — 是否将图像转换为 RGB 格式。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, optional) — 仅支持 `ChannelDimension.FIRST`。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，将从输入图像中推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。
• device (torch.device, optional) — 处理图像的设备。如果未设置，将从输入图像中推断设备。
• disable_grouping (bool, optional) — 是否禁用按尺寸对图像进行分组，以便单独处理而不是分批处理。如果为 None，则在图像位于 CPU 上时设置为 True，否则设置为 False。此选择基于经验观察，详见：https://github.com/huggingface/transformers/pull/38157
• format (str, optional, defaults to AnnotationFormat.COCO_DETECTION) — 标注的数据格式。可以是 “coco_detection” 或 “coco_panoptic” 之一。
• do_convert_annotations (bool, optional, defaults to True) — 控制是否将标注转换为 YOLOS 模型期望的格式。将边界框转换为 `(center_x, center_y, width, height)` 格式，并且范围在 `[0, 1]` 之间。可在 `preprocess` 方法中使用 `do_convert_annotations` 参数进行覆盖。
• do_pad (bool, 可选, 默认为 True) — 控制是否对图像进行填充。此参数可被 preprocess 方法中的 do_pad 参数覆盖。如果为 True，将使用零值对图像的底部和右侧进行填充。如果提供了 pad_size，图像将被填充到指定尺寸。否则，图像将被填充到批处理中的最大高度和宽度。
• pad_size (dict[str, int], 可选) — 图像填充的目标尺寸，格式为 {"height": int, "width" int}。必须大于任何待预处理图像的尺寸。如果未提供 pad_size，图像将被填充到批处理中的最大高度和宽度。
• return_segmentation_masks (bool, 可选, 默认为 False) — 是否返回分割掩码。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• outputs (YolosObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选) — 用于保留目标检测预测结果的分数阈值。
• target_sizes (torch.Tensor 或 list[tuple[int, int]], 可选) — 形状为 (batch_size, 2) 的张量或包含批处理中每张图像目标尺寸（高度，宽度）的元组列表 (tuple[int, int])。如果留空为 None，则不会调整预测结果的大小。
• top_k (int, 可选, 默认为 100) — 在通过阈值过滤之前，仅保留前 k 个边界框。

一个字典列表，每个字典包含模型预测的批处理中每张图像的分数、标签和框。

参数

• image (np.ndarray) — 待填充的图像。
• annotations (list[dict[str, any]], 可选) — 随图像一同填充的标注。如果提供此参数，边界框将被更新以匹配填充后的图像。
• constant_values (float 或 Iterable[float], 可选) — 当 `mode` 为 `"constant"` 时用于填充的值。
• return_pixel_mask (bool, 可选, 默认为 True) — 是否返回像素掩码。
• return_tensors (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回类型为 tf.Tensor 的批处理。
  • TensorType.PYTORCH 或 'pt'：返回类型为 torch.Tensor 的批处理。
  • TensorType.NUMPY 或 'np'：返回类型为 np.ndarray 的批处理。
  • TensorType.JAX 或 'jax'：返回类型为 jax.numpy.ndarray 的批处理。
• data_format (str 或 ChannelDimension, 可选) — 图像的通道维度格式。如果未提供，将与输入图像的格式相同。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未提供，将自动推断。
• update_bboxes (bool, 可选, 默认为 True) — 是否更新标注中的边界框以匹配填充后的图像。如果边界框尚未转换为相对坐标和 `(centre_x, centre_y, width, height)` 格式，则不会更新边界框。
• pad_size (dict[str, int], 可选) — 图像填充的目标尺寸，格式为 {"height": int, "width" int}。必须大于任何待预处理图像的尺寸。如果未提供 pad_size，图像将被填充到批处理中的最大高度和宽度。

参数

• outputs (YolosObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选) — 用于保留目标检测预测结果的分数阈值。
• target_sizes (torch.Tensor 或 list[tuple[int, int]], 可选) — 形状为 (batch_size, 2) 的张量或包含批处理中每张图像目标尺寸 (height, width) 的元组列表 (tuple[int, int])。如果未设置，则不会调整预测结果的大小。

一个字典列表，每个字典包含模型预测的批处理中每张图像的分数、标签和框。

参数

• pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size), 可选) — 对应于输入图像的张量。像素值可以通过 {image_processor_class} 获得。详情请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• head_mask (torch.Tensor，形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选自 [0, 1]：
  • 1 表示头部未被屏蔽，
  • 0 表示头部被屏蔽。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

transformers.modeling_outputs.BaseModelOutputWithPooling 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（YolosConfig）和输入，包含各种元素。

• last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

• pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)) — 序列的第一个标记（分类标记）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理。例如，对于 BERT 系列模型，这将返回经过线性层和 tanh 激活函数处理后的分类标记。线性层权重是在预训练期间从下一句预测（分类）目标中训练的。

• hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则一个是嵌入层的输出，加上每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以通过 {image_processor_class} 获得。详情请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
• labels (list[Dict]，长度为 (batch_size,), 可选) — 用于计算二分匹配损失的标签。是字典的列表，每个字典至少包含以下 2 个键：'class_labels' 和 'boxes'（分别表示批处理中图像的类别标签和边界框）。类别标签本身应为长度为 (图像中边界框的数量,) 的 torch.LongTensor，而边界框应为形状为 (图像中边界框的数量, 4) 的 torch.FloatTensor。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

transformers.models.yolos.modeling_yolos.YolosObjectDetectionOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（YolosConfig）和输入，包含各种元素。

• loss (torch.FloatTensor，形状为 (1,), 可选, 当提供了 labels 时返回) — 总损失，是类别预测的负对数似然（交叉熵）和边界框损失的线性组合。后者定义为 L1 损失和广义尺度不变 IoU 损失的线性组合。

• loss_dict (Dict, 可选) — 包含各个损失的字典。用于日志记录。

• logits (形状为 (batch_size, num_queries, num_classes + 1) 的 torch.FloatTensor) — 所有查询的分类 logits（包括无对象）。

• pred_boxes (torch.FloatTensor，形状为 (batch_size, num_queries, 4)) — 所有查询的归一化边界框坐标，表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 范围内归一化，相对于批处理中每个单独图像的大小（不考虑可能的填充）。你可以使用 post_process() 来检索未归一化的边界框。

• auxiliary_outputs (list[Dict], 可选) — 可选，仅在激活辅助损失（即 config.auxiliary_loss 设置为 True）并提供标签时返回。它是一个字典列表，包含每个解码器层的上述两个键（`logits` 和 `pred_boxes`）。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可选) — 模型解码器最后一层输出的隐藏状态序列。

• hidden_states (tuple[torch.FloatTensor], 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — `torch.FloatTensor` 的元组（如果模型有嵌入层，则一个是嵌入层的输出，加上每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple[torch.FloatTensor], 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — `torch.FloatTensor` 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。