Test Mask2former Swin Large Cityscapes Semantic

🚀 Mask2Former

Mask2Formerは、Cityscapesのセマンティックセグメンテーションで学習されたモデル（大規模版、Swinバックボーン）です。このモデルは論文 Masked-attention Mask Transformer for Universal Image Segmentation で紹介され、このリポジトリ で最初に公開されました。

🚀 クイックスタート

このモデルは、Cityscapesのセマンティックセグメンテーションに特化して訓練されています。以下のコードで使用できます。

✨ 主な機能

• Mask2Formerは、同じパラダイムでインスタンス、セマンティック、パノプティックセグメンテーションを扱います。
• 以前のSOTAである MaskFormer を性能と効率の両面で上回っています。
• ピクセルデコーダをより高度なマルチスケール変形注意力Transformerに置き換えることで性能を向上させています。
• マスクされた注意力を持つTransformerデコーダを採用し、追加の計算を行わずに性能を向上させています。
• サブサンプリングされたポイントで損失を計算することで、訓練効率を向上させています。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation


# load Mask2Former fine-tuned on Cityscapes semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-cityscapes-semantic")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

# model predicts class_queries_logits of shape `(batch_size, num_queries)`
# and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# you can pass them to processor for postprocessing
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)

高度な使用法

詳細なコード例については、ドキュメント を参照してください。

📚 ドキュメント

モデルの説明

Mask2Formerは、同じパラダイムでインスタンス、セマンティック、パノプティックセグメンテーションを扱います。具体的には、マスクのセットと対応するラベルを予測することで、3つのタスクをすべてインスタンスセグメンテーションのように扱います。

想定される用途と制限

この特定のチェックポイントは、パノプティックセグメンテーションに使用できます。他のタスクに対する微調整バージョンを探すには、モデルハブ を参照してください。

🔧 技術詳細

Mask2Formerは、以前のSOTAである MaskFormer を性能と効率の両面で上回っています。具体的には、以下の3つの点で改善されています。

• ピクセルデコーダをより高度なマルチスケール変形注意力Transformerに置き換えることで性能を向上させています。
• マスクされた注意力を持つTransformerデコーダを採用し、追加の計算を行わずに性能を向上させています。
• サブサンプリングされたポイントで損失を計算することで、訓練効率を向上させています。

📄 ライセンス

このモデルは、他のライセンスの下で提供されています。