Mask2former Swin Tiny 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です（tinyサイズ版、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。

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。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、すべての3つのタスク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、以下の点で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可能アテンションTransformerに置き換える。
• 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。
• 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。

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。他のタスクで微調整された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READMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 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-tiny-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-tiny-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

このREADMEに高度な使用法のコード例が記載されていないため、この部分を省略します。

📚 ドキュメント

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。

🔧 技術詳細

このセクションでは、Mask2Formerの技術的な詳細について説明します。Mask2Formerは、画像セグメンテーションの分野における最新の技術を用いて構築されています。具体的には、多尺度変形可能アテンションTransformerとマスクアテンションを用いたTransformerデコーダを採用することで、高い性能と効率を実現しています。

多尺度変形可能アテンションTransformerは、異なるスケールの特徴マップを効果的に統合することができ、画像の局所的な特徴とグローバルな特徴の両方を捉えることができます。また、マスクアテンションを用いたTransformerデコーダは、マスクされた領域に対してのみアテンションを適用することで、計算コストを抑えつつ性能を向上させることができます。

これらの技術的な工夫により、Mask2Formerは画像セグメンテーションのタスクにおいて、以前のモデルよりも高い精度と効率を達成しています。

📄 ライセンス

ライセンス情報: other