参数

• 图像 (ImageInput) — 要预处理的图像或图像批处理。期望一个或一批像素值在 0 到 255 之间的图像。如果传入像素值在 0 到 1 之间的图像，则设置 do_rescale=False。
• 注释 (AnnotationType 或 List[AnnotationType]，可选) — 与图像或图像批次关联的注释列表。如果注释用于对象检测，则注释应为具有以下键的词典：
  • “image_id”（int）：图像 id。
  • “annotations”（List[Dict]）：图像的注释列表。每个注释应为一个词典。一个图像可以没有注释，在这种情况下，列表应为空。如果注释用于分割，则注释应为具有以下键的词典：
  • “image_id”（int）：图像 id。
  • “segments_info”（List[Dict]）：图像的片段列表。每个片段应为一个词典。一个图像可以没有片段，在这种情况下，列表应为空。
  • “file_name”（str）：图像的文件名称。
• return_segmentation_masks (bool, 可选项，默认为 self.return_segmentation_masks) — 是否返回分割蒙版。
• masks_path (str 或 pathlib.Path，可选项) — 包含分割蒙版的目录的路径。
• 大小 (Dict[str, int] 可选，默认为 self.size) — 调整尺寸后的图像的(height, width) 尺寸。可用选项：
  • {"height": int, "width": int}: 将图像调整为确切的尺寸 (height, width)。不保留高宽比。
  • {"shortest_edge": int, "longest_edge": int}: 将图像调整为符合高宽比，并且保持最短边小于或等于 shortest_edge，最长边小于或等于 longest_edge 的最大尺寸。
  • {"max_height": int, "max_width": int}: 将图像调整为符合高宽比，并且保持高度小于或等于 max_height，宽度小于或等于 max_width 的最大尺寸。
• 重采样 (PILImageResampling 可选，默认为 self.resample) — 调整图像大小时使用的重采样滤波器。
• do_rescale (bool, 可选项，默认为 self.do_rescale) — 缩放图片。
• rescale_factor (float, 可选项，默认为 self.rescale_factor) — 缩放图片时使用的缩放因子。
• 执行归一化 (bool, 可选，默认为 self.do_normalize) — 是否对图像进行归一化。
• 图像均值 (float 或 List[float], 可选，默认为 self.image_mean) — 对图像进行归一化时的均值。
• do_convert_annotations (bool, 可选，默认为 self.do_convert_annotations) — 是否将标注转换为模型期望的格式。将边界框从格式 (top_left_x, top_left_y, width, height) 转换为 (center_x, center_y, width, height)，并使用相对坐标。
• do_pad (bool, 可选，默认为 self.do_pad) — 是否填充图像。如果为 True，则使用零填充图像的底部和右侧。如果提供了 pad_size，则图像将填充为指定尺寸。否则，图像将填充为批次的最大高度和宽度。
• 格式 (str 或 AnnotationFormat，可选，默认为 self.format) — 注释格式
• 返回张量 (str 或 TensorType，可选，默认为 self.return_tensors) — 返回张量的类型。如果为 None，将返回图像列表
• data_format (str 或 ChannelDimension，可选，默认为 self.data_format) — 图像的通道维度格式。如果没有提供，它将与输入图像相同。
• input_data_format (ChannelDimension 或 str，可选) — 输入图像的通道维度格式。如果没有设置，则会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], 可选参数) — 将图像变为 {"height": int, "width" int} 大小的填充尺寸。该尺寸必须大于预处理阶段中提供的任何图像大小。如果未提供 pad_size，图像将填充为批处理中最大的高度和宽度。

参数

• 图像 (np.ndarray) — 要填充的图像。
• 注释 (List[Dict[str, any]]，optional) — 要与图像一起填充的注释。如果提供，边界框将更新为匹配填充的图像。
• 常数值 (float 或 Iterable[float]，optional) — 如果 mode 是 “constant”，则用于填充的值。
• return_tensors (str 或 TensorType，可选) — 将要返回的张量的类型。可以为以下选项之一：
  • 未设置：返回一个 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回一个类型为 tf.Tensor 的批次。
  • TensorType.PYTORCH 或 'pt'：返回一个类型为 torch.Tensor 的批次。
  • TensorType.NUMPY 或 'np'：返回一个类型为 np.ndarray 的批次。
  • TensorType.JAX 或 'jax'：返回一个类型为 jax.numpy.ndarray 的批次。
• data_format (str 或 ChannelDimension，可选) — 图像的通道维度格式。如果未提供，则将与输入图像相同。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未提供，系统会推断出来。
• update_bboxes (bool, 可选，默认为 True) — 是否更新注释中的边框以匹配填充后的图像。如果未将边框转换为相对坐标和 (centre_x, centre_y, width, height) 格式，则不会更新边框。
• pad_size (Dict[str, int], 可选) — 将图像填充到的尺寸 {"height": int, "width" int}。必须大于预处理提供的任何图像尺寸。如果未提供 pad_size，则图像将被填充到批次中最大的高度和宽度。

参数

• 输出 (YolosObjectDetectionOutput) — 模型的原始输出。
• 阈值 (float，可选) — 保留对象识别结果的评分阈值。
• target_sizes (torch.Tensor 或 List[Tuple[int, int]]，可选) — 形状为 (batch_size, 2) 的张量或包含批次中每个图像的目标大小 (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次中的图像的分数、标签和边框。

参数

• 图像 (np.ndarray) — 需要填充图像。
• constant_values (float 或 Iterable[float]，可选) — 如果 mode 为 “constant”，则用于填充的值。
• 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) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 的一个列表。
  • TensorType.TENSORFLOW 或 'tf'：返回一个类型为 tf.Tensor 的批次。
  • TensorType.PYTORCH 或 'pt'：返回一个类型为 torch.Tensor 的批次。
  • TensorType.NUMPY 或 'np'：返回一个类型为 np.ndarray 的批次。
  • TensorType.JAX 或 'jax'：返回一个类型为 jax.numpy.ndarray 的批次。
• data_format (str 或 ChannelDimension，可选) — 图像的通道维度格式。如果没有提供，它将与输入图像相同。
• input_data_format (ChannelDimension 或 str，可选) — 输入图像的通道维格式。如果未提供，它将被推断。
• update_bboxes (bool，可选，默认为 True) — 是否将注释中的边界框更新为与填充图像匹配。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) — 将图像填充到的尺寸{"height": int, "width" int}。大小必须大于为预处理提供的任何图像尺寸。如果未提供 pad_size，则会对图像填充为一批中最大的高度和宽度。

参数

• outputs (YolosObjectDetectionOutput) — 模型原始输出。
• threshold (float，可选) — 保留对象检测预测的得分阈值。
• 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个图像目标大小 (height, width) 的元组列表（Tuple[int, int]）。如果未设置，将不会调整预测大小。

一个字典列表，每个字典包含模型预测的批次中的图像的分数、标签和边框。

参数

• 像素值 (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。可使用 AutoImageProcessor 获取像素值。有关详细信息，请参见 YolosImageProcessor.call()。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，用于将自注意力模块的选定头部无效化。在 [0, 1] 范围内选择的掩码值：
  • 1 表示头部未掩盖，
  • 0 表示头部已掩盖。
• 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，请参见返回张量下的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，请参见返回张量下的hidden_states。
• return_dict (bool, optional) — 是否返回ModelOutput而非普通元组。

一个transformers.modeling_outputs.BaseModelOutputWithPooling或torch.FloatTensor元组（如果传递了return_dict=False或在config.return_dict=False时）包含各种元素，具体取决于配置（YolosConfig）和输入。

• last_hidden_state (形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor) — 模型的最后一层的输出处隐藏状态的序列。

• pooler_output (形状为(batch_size, hidden_size)的torch.FloatTensor) — 经过用于辅助预训练任务的层进一步处理后，序列中第一个标记（分类标记）的最后层隐藏状态。例如，对于 BERT 系列模型，它会在使用线性层和 tanh 激活函数处理后返回分类标记。线性层权重在预训练期间从下一句预测（分类）目标中进行训练。

• hidden_states (tuple(torch.FloatTensor), 可选, 在传递了output_hidden_states=True或config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor元组（一个表示嵌入输出，如果该模型具有嵌入层 + 一个表示每一层的输出）。

  该模型在每一层的输出处的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在传递了output_attentions=True或config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)的torch.FloatTensor元组（每一层一个）。

  注意力 softmax 之后的注意力权重，用于计算自注意力 heads 中的加权平均。

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详情，请参阅 YolosImageProcessor.call()。
• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 屏蔽自注意力模块的选定头的掩模。在 [0, 1] 中选择的掩模值：
  • 1 表示头部未屏蔽，
  • 0 表示头部已屏蔽。
• 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，请参阅已返回张量中的attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。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 ModelOutput 而不是普通元组。
• 标签 (List[Dict]长度为(batch_size,)，可选) — 用于计算二部匹配损失的标签。字典列表，每个字典包含至少以下 2 个键：'class_labels'和'boxes'（分别为批次中图像的类别标签和边界框）。类别标签本身应该是一个长度为(图像中边界框数目，)的torch.LongTensor，边界框为形状为(图像中边界框数目，4)的torch.FloatTensor。

transformers.models.yolos.modeling_yolos.YolosObjectDetectionOutput或torch.FloatTensor元组（如果 return_dict=False 传入或当 config.return_dict=False）包含根据配置（YolosConfig）和输入不同的各种元素。

• 损失 (形状为(1,)的torch.FloatTensor，可选，当提供标签时返回）) — 总损失，为用于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。
• 损失字典 (Dict，可选) — 包含各个损失的字典。用于记录。
• logits (形状为(batch_size, num_queries, num_classes + 1)的torch.FloatTensor) — 所有查询的分类逻辑（包括无对象）。
• pred_boxes (形状为(batch_size, num_queries, 4)的torch.FloatTensor) — 所有查询的归一化框坐标，表示为 (center_x, center_y, width, height)。这些值在 [0, 1] 内归一化，相对于批次中每一图像的大小（忽略可能的填充）。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，仅在激活辅助损失时返回（即 config.auxiliary_loss 设置为 True）以及提供标签时返回。它是一个字典列表，包含每个解码器层上述两个键（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，在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回）—形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型有嵌入层，+ 一个用于每一层的输出）。模型每一层输出处的隐藏状态加上可选的初始嵌入输出。
• attentions（tuple(torch.FloatTensor)，可选，在传递 output_attentions=True 或 config.output_attentions=True 时返回）—形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每一层一个）。注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。