参数

• images (ImageInput) — 要预处理的图像或图像批次。期望是像素值范围为 0 到 255 的单个或一批图像。如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
• annotations (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，则注释应为字典，包含以下键:
  • “image_id” (int): 图像 ID。
  • “annotations” (List[Dict]): 图像的注释列表。每个注释都应是一个字典。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，则注释应为字典，包含以下键:
  • “image_id” (int): 图像 ID。
  • “segments_info” (List[Dict]): 图像的分割信息列表。每个分割信息都应是一个字典。图像可以没有分割信息，在这种情况下，列表应为空。
  • “file_name” (str): 图像的文件名。
• return_segmentation_masks (bool, 可选, 默认为 self.return_segmentation_masks) — 是否返回分割掩码。
• masks_path (str 或 pathlib.Path, 可选) — 包含分割掩码的目录路径。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的 (height, width) 尺寸大小。可用选项包括:
  • {"height": int, "width": int}: 图像将被调整为精确尺寸 (height, width)。不保持宽高比。
  • {"shortest_edge": int, "longest_edge": int}: 图像将被调整为最大尺寸，同时保持宽高比，并保持最短边小于或等于 shortest_edge，最长边小于或等于 longest_edge。
  • {"max_height": int, "max_width": int}: 图像将被调整为最大尺寸，同时保持宽高比，并保持高度小于或等于 max_height，宽度小于或等于 max_width。
• resample (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, 默认为 self.do_rescale) — 是否重新缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 重新缩放图像时使用的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化处理。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 归一化图像时使用的均值。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 归一化图像时使用的标准差。
• do_convert_annotations (bool, 可选, 默认为 self.do_convert_annotations) — 是否将注释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, 可选, 默认为 self.do_pad) — 是否填充图像。如果为 True，则会在图像的底部和右侧填充零。如果提供了 pad_size，则图像将被填充到指定的尺寸。否则，图像将被填充到批次中的最大高度和宽度。
• format (str 或 AnnotationFormat, 可选, 默认为 self.format) — 注释的格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 要返回的张量类型。如果为 None，则返回图像列表。
• data_format (str 或 ChannelDimension, 可选, 默认为 self.data_format) — 图像的通道维度格式。如果未提供，则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。如果未设置，则通道维度格式从输入图像推断。 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) — 要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

• image (np.ndarray) — 要填充的图像。
• annotations (List[Dict[str, any]], 可选) — 要与图像一起填充的注释。 如果提供，则边界框将更新以匹配填充后的图像。
• 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) — 返回张量的类型。 可以是以下之一：
  • Unset：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批次。
• 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，则将进行推断。
• update_bboxes (bool, 可选, 默认为 True) — 是否更新注释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) — 要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

• outputs (YolosObjectDetectionOutput) — 模型的原始输出。
• threshold (float, 可选) — 用于保留目标检测预测的分数阈值。
• target_sizes (torch.Tensor 或 List[Tuple[int, int]], 可选) — 形状为 (batch_size, 2) 的张量或元组列表 (Tuple[int, int])，其中包含批次中每个图像的目标尺寸 (height, width)。 如果未设置，则不会调整预测大小。

字典列表，每个字典包含模型预测的批次中图像的分数、标签和框。

参数

• image (np.ndarray) — 要填充的图像。
• annotations (List[Dict[str, any]], 可选) — 要与图像一起填充的注释。 如果提供，则边界框将更新以匹配填充后的图像。
• 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) — 返回张量的类型。 可以是以下之一：
  • Unset：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批次。
• 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，则将进行推断。
• update_bboxes (bool, 可选, 默认为 True) — 是否更新注释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) — 要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，则图像将填充到批次中最大的高度和宽度。

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) 的张量或元组列表 ( `Tuple[int, int]` )，包含批次中每个图像的目标尺寸 `(height, width)`。如果未设置，则不会调整预测大小。

字典列表，每个字典包含模型预测的批次中图像的分数、标签和框。

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参阅 YolosImageProcessor.call()。
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor, 可选) — 用于使自注意力模块的选定头无效的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头**未被掩盖**，
  • 0 表示头**被掩盖**。
• 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 ModelOutput 而不是普通元组。

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，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) — 模型最后一层输出的隐藏状态序列。

• pooler_output (形状为 (batch_size, hidden_size) 的 torch.FloatTensor) — 序列的第一个标记（分类标记）的最后一层隐藏状态，在通过用于辅助预训练任务的层进一步处理之后。 例如，对于 BERT 系列模型，这会在通过线性层和 tanh 激活函数处理后返回分类标记。 线性层权重是从预训练期间的下一句预测（分类）目标训练而来的。

• 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` 元组（如果模型具有嵌入层，则为嵌入输出一个，+ 每层输出一个），形状为 (batch_size, sequence_length, hidden_size)。 模型在每层输出处的隐藏状态以及可选的初始嵌入输出。

  模型在每层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, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — `torch.FloatTensor` 元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。 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。

  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。

参数

• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参阅 YolosImageProcessor.call()。
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor, 可选) — 用于使自注意力模块的选定头无效的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头**未被掩盖**，
  • 0 表示头**被掩盖**。
• 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，请参阅返回张量下的 attentions。
• output_hidden_states (bool, optional) — 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 而不是普通元组。
• labels (List[Dict] of len (batch_size,), optional) — 用于计算二分图匹配损失的标签。 字典列表，每个字典至少包含以下 2 个键：'class_labels' 和 'boxes'（分别是批次中图像的类别标签和边界框）。 类别标签本身应为长度为 (number of bounding boxes in the image,) 的 torch.LongTensor，而框应为形状为 (number of bounding boxes in the image, 4) 的 torch.FloatTensor。

一个 transformers.models.yolos.modeling_yolos.YolosObjectDetectionOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (YolosConfig) 和输入。

• loss (torch.FloatTensor of shape (1,), optional, 当提供 labels 时返回)) — 总损失，作为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, optional) — 包含各个损失的字典。 用于记录日志很有用。
• logits (torch.FloatTensor of shape (batch_size, num_queries, num_classes + 1)) — 所有查询的分类 logits（包括无对象）。
• pred_boxes (torch.FloatTensor of shape (batch_size, num_queries, 4)) — 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] 中归一化，相对于批次中每个单独图像的大小（忽略可能的填充）。 您可以使用 post_process() 来检索未归一化的边界框。
• auxiliary_outputs (list[Dict], optional) — 可选，仅当辅助损失被激活时返回（即 config.auxiliary_loss 设置为 True）并且提供了标签。 它是字典列表，其中包含每个解码器层的上述两个键（logits 和 pred_boxes）。
• last_hidden_state (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 模型解码器最后一层输出的隐藏状态序列。
• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入输出的一个，+ 每层输出的一个），形状为 (batch_size, sequence_length, hidden_size)。 模型在每层输出的隐藏状态以及可选的初始嵌入输出。
• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。 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。