Video Mask2former Swin Small Youtubevis 2021 Instance

🚀 Video Mask2Former

Video Mask2Formerは、YouTubeVIS - 2021のインスタンスセグメンテーションに対して学習されたモデルです（小型版、Swinバックボーン）。このモデルは論文 Mask2Former for Video Instance Segmentation で紹介され、このリポジトリ で最初に公開されました。Video Mask2Formerは、Masked - attention Mask Transformer for Universal Image Segmentation という名前で公開された元のMask2Former論文の拡張版です。

なお、Mask2Formerを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

✨ 主な機能

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。すなわち、マスクのセットと対応するラベルを予測することです。したがって、3つのタスクはすべてインスタンスセグメンテーションとして扱われます。Mask2Formerは、以前のSOTAである MaskFormer を、(i) ピクセルデコーダをより高度なマルチスケール変形可能アテンションTransformerに置き換えること、(ii) マスクされたアテンションを持つTransformerデコーダを採用して、追加の計算を導入することなく性能を向上させること、(iii) 損失をマスク全体ではなくサブサンプリングされたポイントで計算することでトレーニング効率を向上させることにより、性能と効率の両面で上回っています。

論文 Mask2Former for Video Instance Segmentation では、著者らはMask2Formerがアーキテクチャ、損失、トレーニングパイプラインを変更することなく、ビデオインスタンスセグメンテーションにおいても最先端の性能を達成することを示しています。

想定される用途と制限

この特定のチェックポイントはインスタンスセグメンテーションに使用できます。他の微調整されたバージョンのモデルを探すには、[モデルハブ](https://huggingface.co/models?search=video - mask2former) を参照してください。

📦 インストール

このモデルを使用するには、以下のライブラリが必要です。

pip install torch torchvision huggingface_hub transformers

💻 使用例

基本的な使用法

import torch
import torchvision
from huggingface_hub import hf_hub_download
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation


# load Mask2Former trained on YouTubeVIS 2021 instance segmentation
processor = AutoImageProcessor.from_pretrained("facebook/video-mask2former-swin-small-youtubevis-2021-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-small-youtubevis-2021-instance")

file_path = hf_hub_download(repo_id="shivi/video-demo", filename="cars.mp4", repo_type="dataset")
video = torchvision.io.read_video(file_path)[0]
video_frames = [image_processor(images=frame, return_tensors="pt").pixel_values for frame in video]
video_input = torch.cat(video_frames)

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

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

# you can pass them to processor for postprocessing
result = image_processor.post_process_video_instance_segmentation(outputs, target_sizes=[tuple(video.shape[1:3])])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_video_instance_map = result["segmentation"]

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。

📄 ライセンス

このモデルはMITライセンスの下で公開されています。