Video Mask2former Swin Tiny Youtubevis 2019 Instance

🚀 Video Mask2Former

Video Mask2Formerは、YouTubeVIS - 2019のインスタンスセグメンテーションで学習されたモデルです（tinyサイズ版、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。

🚀 クイックスタート

Video Mask2Formerは、YouTubeVIS - 2019のデータセットを用いて訓練されたビデオインスタンスセグメンテーションモデルです。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、高い性能を発揮します。

✨ 主な機能

モデルの概要

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、一連のマスク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として扱います。

このモデルは、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。その理由は以下の通りです。

1. 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に置き換えました。
2. マスクされたアテンションを持つTransformerデコーダを採用し、追加の計算を導入することなく性能を向上させました。
3. 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ました。

論文 Mask2Former for Video Instance Segmentation では、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でも最先端の性能を達成することが示されています。

想定用途と制限事項

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。

💻 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-tiny-youtubevis-2019-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-tiny-youtubevis-2019-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"]

より多くの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。