Mask2former Swin Small Cityscapes Instance

🚀 Mask2Former

Mask2Formerは、Cityscapes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（小型版、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。

🚀 クイックスタート

このセクションでは、Mask2Formerモデルの概要と使用方法について説明します。

✨ 主な機能

• 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同じパラダイムで扱います。
• マスクと対応するラベルを予測することで、3つのタスクをインスタンスセグメンテーションとして扱います。
• 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。

📚 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。これは以下の3つの点で達成されています。

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注意Transformerに置き換える。
2. マスクされた注意を持つ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。
3. 損失をマスク全体ではなくサブサンプリングされた点で計算することで、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インスタンス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。

使い方

以下は、このモデルを使用する方法の例です。

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


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

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

ライセンスはOtherです。