Mask2former Swin Large Mapillary Vistas Semantic

🚀 Mask2Former

Mask2Formerは、Mapillary Vistas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（大規模版、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。

🚀 クイックスタート

Mask2Formerは、インスタンスセグメンテーション、セマンティックセグメンテーション、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。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。

✨ 主な機能

• 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。
• ピクセルデコーダをより高度なマルチスケール変形注意Transformerに置き換えることで性能を向上させています。
• マスクされた注意を持つTransformerデコーダを採用し、追加の計算を行わずに性能を向上させています。
• サブサンプリングされたポイントで損失を計算することで、トレーニング効率を向上させています。

📚 ドキュメント

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。他のタスクにファインチューニング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。

使い方

このモデルの使用方法は次の通りです。

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


# load Mask2Former fine-tuned on Mapillary Vistas semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-mapillary-vistas-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-mapillary-vistas-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)

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。