引數

• images (ImageInput) — 要預處理的影像或一批影像。期望是單個或一批畫素值範圍在 0 到 255 之間的影像。如果傳入的影像畫素值在 0 到 1 之間，請設定 `do_rescale=False`。
• annotations (AnnotationType or list[AnnotationType], optional) — 與影像或影像批次相關聯的標註列表。如果標註用於目標檢測，標註應為包含以下鍵的字典：
  • “image_id” (int): 影像 ID。
  • “annotations” (list[Dict]): 影像的標註列表。每個標註都應為一個字典。一張影像可以沒有標註，此時列表應為空。如果標註用於分割，標註應為包含以下鍵的字典：
  • “image_id” (int): 影像 ID。
  • “segments_info” (list[Dict]): 影像的分割資訊列表。每個分割資訊都應為一個字典。一張影像可以沒有分割資訊，此時列表應為空。
  • “file_name” (str): 影像的檔名。
• return_segmentation_masks (bool, optional, defaults to self.return_segmentation_masks) — 是否返回分割掩碼。
• masks_path (str or pathlib.Path, optional) — 包含分割掩碼的目錄路徑。
• do_resize (bool, optional, defaults to self.do_resize) — 是否調整影像大小。
• size (dict[str, int], optional, defaults to self.size) — 調整大小後圖像的 `(height, width)` 尺寸。可用選項包括：
  • {"height": int, "width": int}: 影像將被調整為精確的 `(height, width)` 尺寸。不保持寬高比。
  • {"shortest_edge": int, "longest_edge": int}: 影像將被調整到最大尺寸，同時保持寬高比，並使最短邊小於或等於 `shortest_edge`，最長邊小於或等於 `longest_edge`。
  • {"max_height": int, "max_width": int}: 影像將被調整到最大尺寸，同時保持寬高比，並使高度小於或等於 `max_height`，寬度小於或等於 `max_width`。
• resample (PILImageResampling, optional, defaults to self.resample) — 調整影像大小時使用的重取樣濾波器。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否對影像進行縮放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 對影像進行縮放時使用的縮放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否對影像進行歸一化。
• image_mean (float or list[float], optional, defaults to self.image_mean) — 歸一化影像時使用的均值。
• image_std (float or list[float], optional, defaults to self.image_std) — 歸一化影像時使用的標準差。
• do_convert_annotations (bool, optional, defaults to self.do_convert_annotations) — 是否將標註轉換為模型期望的格式。將邊界框從 `(top_left_x, top_left_y, width, height)` 格式轉換為 `(center_x, center_y, width, height)` 格式，並使用相對座標。
• do_pad (bool, optional, defaults to self.do_pad) — 是否對影像進行填充。如果為 `True`，則會在影像的底部和右側用零進行填充。如果提供了 `pad_size`，影像將被填充到指定尺寸。否則，影像將被填充到批處理中的最大高度和寬度。
• format (str or AnnotationFormat, optional, defaults to self.format) — 標註的格式。
• return_tensors (str or TensorType, optional, defaults to self.return_tensors) — 返回張量的型別。如果為 `None`，將返回影像列表。
• data_format (str or ChannelDimension, optional, defaults to self.data_format) — 影像的通道維度格式。如果未提供，將與輸入影像相同。
• input_data_format (ChannelDimension or str, optional) — 輸入影像的通道維度格式。如果未設定，將從輸入影像中推斷通道維度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 影像格式為 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 影像格式為 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 影像格式為 (height, width)。
• pad_size (dict[str, int], optional) — 用於填充影像的尺寸 {"height": int, "width" int}。必須大於為預處理提供的任何影像尺寸。如果未提供 `pad_size`，影像將被填充到批處理中的最大高度和寬度。

引數

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要預處理的影像。期望是單個或一批畫素值範圍在 0 到 255 之間的影像。如果傳入的影像畫素值在 0 到 1 之間，請設定 `do_rescale=False`。
• annotations (AnnotationType or list[AnnotationType], optional) — 與影像或影像批次相關聯的標註列表。如果標註用於目標檢測，標註應為包含以下鍵的字典：
  • “image_id” (int): 影像 ID。
  • “annotations” (list[Dict]): 影像的標註列表。每個標註都應為一個字典。一張影像可以沒有標註，此時列表應為空。如果標註用於分割，標註應為包含以下鍵的字典：
  • “image_id” (int): 影像 ID。
  • “segments_info” (list[Dict]): 影像的分割資訊列表。每個分割資訊都應為一個字典。一張影像可以沒有分割資訊，此時列表應為空。
  • “file_name” (str): 影像的檔名。
• masks_path (str or pathlib.Path, optional) — 包含分割掩碼的目錄路徑。
• do_resize (bool, optional) — 是否調整影像大小。
• size (dict[str, int], optional) — 描述模型的最大輸入尺寸。
• default_to_square (bool, optional) — 在調整大小時，如果 size 是一個整數，是否預設調整為方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果要調整影像大小，使用的重取樣濾波器。這可以是 `PILImageResampling` 列舉之一。僅當 `do_resize` 設定為 `True` 時有效。
• do_center_crop (bool, optional) — 是否對影像進行中心裁剪。
• crop_size (dict[str, int], optional) — 應用 `center_crop` 後輸出影像的尺寸。
• do_rescale (bool, optional) — 是否對影像進行縮放。
• rescale_factor (Union[int, float, NoneType]) — 如果 `do_rescale` 設定為 `True`，用於縮放影像的縮放因子。
• do_normalize (bool, optional) — 是否對影像進行歸一化。
• image_mean (Union[float, list[float], NoneType]) — 用於歸一化的影像均值。僅當 `do_normalize` 設定為 `True` 時有效。
• image_std (Union[float, list[float], NoneType]) — 用於歸一化的影像標準差。僅當 `do_normalize` 設定為 `True` 時有效。
• do_convert_rgb (bool, optional) — 是否將影像轉換為 RGB 格式。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果設定為 `pt`，則返回堆疊的張量，否則返回張量列表。
• data_format (~image_utils.ChannelDimension, optional) — 僅支援 `ChannelDimension.FIRST`。為與慢速處理器相容而新增。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 輸入影像的通道維度格式。如果未設定，將從輸入影像中推斷通道維度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 影像格式為 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 影像格式為 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 影像格式為 (height, width)。
• device (torch.device, optional) — 處理影像的裝置。如果未設定，將從輸入影像中推斷裝置。
• disable_grouping (bool, optional) — 是否停用按尺寸對影像進行分組，以便單獨處理而不是分批處理。如果為 None，則在影像位於 CPU 上時設定為 True，否則設定為 False。此選擇基於經驗觀察，詳見：https://github.com/huggingface/transformers/pull/38157
• format (str, optional, defaults to AnnotationFormat.COCO_DETECTION) — 標註的資料格式。可以是 “coco_detection” 或 “coco_panoptic” 之一。
• do_convert_annotations (bool, optional, defaults to True) — 控制是否將標註轉換為 YOLOS 模型期望的格式。將邊界框轉換為 `(center_x, center_y, width, height)` 格式，並且範圍在 `[0, 1]` 之間。可在 `preprocess` 方法中使用 `do_convert_annotations` 引數進行覆蓋。
• do_pad (bool, 可選, 預設為 True) — 控制是否對影像進行填充。此引數可被 preprocess 方法中的 do_pad 引數覆蓋。如果為 True，將使用零值對影像的底部和右側進行填充。如果提供了 pad_size，影像將被填充到指定尺寸。否則，影像將被填充到批處理中的最大高度和寬度。
• pad_size (dict[str, int], 可選) — 影像填充的目標尺寸，格式為 {"height": int, "width" int}。必須大於任何待預處理影像的尺寸。如果未提供 pad_size，影像將被填充到批處理中的最大高度和寬度。
• return_segmentation_masks (bool, 可選, 預設為 False) — 是否返回分割掩碼。

• data (dict) — 由 call 方法返回的列表/陣列/張量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可選) — 您可以在此處提供一個`tensor_type`，以便在初始化時將整數列表轉換為PyTorch/TensorFlow/Numpy張量。

引數

• outputs (YolosObjectDetectionOutput) — 模型的原始輸出。
• threshold (float, 可選) — 用於保留目標檢測預測結果的分數閾值。
• target_sizes (torch.Tensor 或 list[tuple[int, int]], 可選) — 形狀為 (batch_size, 2) 的張量或包含批處理中每張影像目標尺寸（高度，寬度）的元組列表 (tuple[int, int])。如果留空為 None，則不會調整預測結果的大小。
• top_k (int, 可選, 預設為 100) — 在透過閾值過濾之前，僅保留前 k 個邊界框。

一個字典列表，每個字典包含模型預測的批處理中每張影像的分數、標籤和框。

引數

• image (np.ndarray) — 待填充的影像。
• annotations (list[dict[str, any]], 可選) — 隨影像一同填充的標註。如果提供此引數，邊界框將被更新以匹配填充後的影像。
• constant_values (float 或 Iterable[float], 可選) — 當 `mode` 為 `"constant"` 時用於填充的值。
• return_pixel_mask (bool, 可選, 預設為 True) — 是否返回畫素掩碼。
• return_tensors (str 或 TensorType, 可選) — 返回張量的型別。可以是以下之一：
  • 未設定：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回型別為 tf.Tensor 的批處理。
  • TensorType.PYTORCH 或 'pt'：返回型別為 torch.Tensor 的批處理。
  • TensorType.NUMPY 或 'np'：返回型別為 np.ndarray 的批處理。
  • TensorType.JAX 或 'jax'：返回型別為 jax.numpy.ndarray 的批處理。
• data_format (str 或 ChannelDimension, 可選) — 影像的通道維度格式。如果未提供，將與輸入影像的格式相同。
• input_data_format (ChannelDimension 或 str, 可選) — 輸入影像的通道維度格式。如果未提供，將自動推斷。
• update_bboxes (bool, 可選, 預設為 True) — 是否更新標註中的邊界框以匹配填充後的影像。如果邊界框尚未轉換為相對座標和 `(centre_x, centre_y, width, height)` 格式，則不會更新邊界框。
• pad_size (dict[str, int], 可選) — 影像填充的目標尺寸，格式為 {"height": int, "width" int}。必須大於任何待預處理影像的尺寸。如果未提供 pad_size，影像將被填充到批處理中的最大高度和寬度。

引數

• outputs (YolosObjectDetectionOutput) — 模型的原始輸出。
• threshold (float, 可選) — 用於保留目標檢測預測結果的分數閾值。
• target_sizes (torch.Tensor 或 list[tuple[int, int]], 可選) — 形狀為 (batch_size, 2) 的張量或包含批處理中每張影像目標尺寸 (height, width) 的元組列表 (tuple[int, int])。如果未設定，則不會調整預測結果的大小。

一個字典列表，每個字典包含模型預測的批處理中每張影像的分數、標籤和框。

引數

• pixel_values (torch.Tensor，形狀為 (batch_size, num_channels, image_size, image_size), 可選) — 對應於輸入影像的張量。畫素值可以透過 {image_processor_class} 獲得。詳情請參閱 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 處理影像)。
• head_mask (torch.Tensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選自 [0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部被遮蔽。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
• return_dict (bool, 可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。

transformers.modeling_outputs.BaseModelOutputWithPooling 或 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），根據配置（YolosConfig）和輸入，包含各種元素。

• last_hidden_state (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。

• pooler_output (torch.FloatTensor，形狀為 (batch_size, hidden_size)) — 序列的第一個標記（分類標記）的最後一層隱藏狀態，經過用於輔助預訓練任務的層進一步處理。例如，對於 BERT 系列模型，這將返回經過線性層和 tanh 啟用函式處理後的分類標記。線性層權重是在預訓練期間從下一句預測（分類）目標中訓練的。

• hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則一個是嵌入層的輸出，加上每個層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

  模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

• attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 或當 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

引數

• pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 對應於輸入影像的張量。畫素值可以透過 {image_processor_class} 獲得。詳情請參閱 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 處理影像)。
• labels (list[Dict]，長度為 (batch_size,), 可選) — 用於計算二分匹配損失的標籤。是字典的列表，每個字典至少包含以下 2 個鍵：'class_labels' 和 'boxes'（分別表示批處理中影像的類別標籤和邊界框）。類別標籤本身應為長度為 (影像中邊界框的數量,) 的 torch.LongTensor，而邊界框應為形狀為 (影像中邊界框的數量, 4) 的 torch.FloatTensor。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
• return_dict (bool, 可選) — 是否返回一個 ModelOutput 而不是一個普通的元組。

transformers.models.yolos.modeling_yolos.YolosObjectDetectionOutput 或 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），根據配置（YolosConfig）和輸入，包含各種元素。

• loss (torch.FloatTensor，形狀為 (1,), 可選, 當提供了 labels 時返回) — 總損失，是類別預測的負對數似然（交叉熵）和邊界框損失的線性組合。後者定義為 L1 損失和廣義尺度不變 IoU 損失的線性組合。

• loss_dict (Dict, 可選) — 包含各個損失的字典。用於日誌記錄。

• logits (形狀為 (batch_size, num_queries, num_classes + 1) 的 torch.FloatTensor) — 所有查詢的分類 logits（包括無物件）。

• pred_boxes (torch.FloatTensor，形狀為 (batch_size, num_queries, 4)) — 所有查詢的歸一化邊界框座標，表示為 (center_x, center_y, width, height)。這些值在 [0, 1] 範圍內歸一化，相對於批處理中每個單獨影像的大小（不考慮可能的填充）。你可以使用 post_process() 來檢索未歸一化的邊界框。

• auxiliary_outputs (list[Dict], 可選) — 可選，僅在啟用輔助損失（即 config.auxiliary_loss 設定為 True）並提供標籤時返回。它是一個字典列表，包含每個解碼器層的上述兩個鍵（`logits` 和 `pred_boxes`）。

• last_hidden_state (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 模型解碼器最後一層輸出的隱藏狀態序列。

• hidden_states (tuple[torch.FloatTensor], 可選, 當傳遞 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — `torch.FloatTensor` 的元組（如果模型有嵌入層，則一個是嵌入層的輸出，加上每個層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

  模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

• attentions (tuple[torch.FloatTensor], 可選, 當傳遞 output_attentions=True 或當 config.output_attentions=True 時返回) — `torch.FloatTensor` 的元組（每層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。