Mask2former Swin Large Coco Panoptic

🚀 Mask2Former

Mask2Formerは、COCOパノプティックセグメンテーションで学習されたモデル（大規模版、Swinバックボーン）です。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

このモデルは、画像のインスタンス、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のセットを予測することで、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

• 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うことができます。
• 従来の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可能注意Transformerに置き換えました。
  • マスクされた注意を持つTransformerデコーダを採用し、追加の計算を導入することなく性能を向上させました。
  • 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ました。

📚 ドキュメント

想定される用途と制限

こ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

以下はこのモデルの使用方法です。

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


# COCOパノプティックセグメンテーションでファインチューニングされたMask2Formerをロードする
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-coco-panoptic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-coco-panoptic")

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)

# モデルは形状が `(batch_size, num_queries)` の class_queries_logits と
# 形状が `(batch_size, num_queries, height, width)` の masks_queries_logits を予測する
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# これらを後処理のためにプロセッサに渡すことができる
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 可視化についてはデモノートブックを参照する（Mask2Formerのドキュメントの「リソース」セクションを参照）
predicted_panoptic_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。