Mask2former Swin Base IN21k Coco Instance

🚀 Mask2Former

Mask2Formerは、COCO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（ベースサイズのIN21kバージョン、Swinバックボーン）。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。

免責事項: 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ました。

✨ 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。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つのタスクすべてをインスタンスセグメンテーションとして扱います。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。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に置き換える。
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る。
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、学習効率を向上させる。

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。関心のあるタスクで微調整された他のバージョンを探すには、モデルハブ を参照してください。

📦 インストール

このセクションでは、必要なライブラリをインストールする方法を説明します。以下のコマンドを使用して、必要な依存関係をインストールできます。

pip install requests torch pillow 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 COCO instance segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-base-IN21k-coco-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-base-IN21k-coco-instance")

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
result = processor.post_process_instance_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_instance_map = result["segmentation"]

高度な使用法

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、他のライセンスの下で提供されています。詳細については、こちら を参照してください。

📚 ドキュメント

• 論文: Masked-attention Mask Transformer for Universal Image Segmentation
• リポジトリ: https://github.com/facebookresearch/Mask2Former/
• モデルハブ: https://huggingface.co/models?search=mask2former
• ドキュメント: https://huggingface.co/docs/transformers/master/en/model_doc/mask2former