Segformer B0 1024x1024 City 160k

🚀 Segformerモデルカード

Segformerは、画像セグメンテーションタスクに特化したモデルです。このモデルを使用することで、画像内のオブジェクトを高精度にセグメント化することができます。

🚀 クイックスタート

このセクションでは、学習済みのSegformerモデルをロードして推論を実行する手順を説明します。

学習済みモデルのロード

1. 必要なライブラリをインストールします。

pip install -U segmentation_models_pytorch albumentations

2. 推論を実行します。

import torch
import requests
import numpy as np
import albumentations as A
import segmentation_models_pytorch as smp

from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"

# 事前学習済みモデルと前処理関数をロード
checkpoint = "smp-hub/segformer-b0-1024x1024-city-160k"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)

# 画像をロード
url = "https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# 画像を前処理
np_image = np.array(image)
normalized_image = preprocessing(image=np_image)["image"]
input_tensor = torch.as_tensor(normalized_image)
input_tensor = input_tensor.permute(2, 0, 1).unsqueeze(0)  # HWC -> BCHW
input_tensor = input_tensor.to(device)

# 推論を実行
with torch.no_grad():
    output_mask = model(input_tensor)

# マスクを後処理
mask = torch.nn.functional.interpolate(
    output_mask, size=(image.height, image.width), mode="bilinear", align_corners=False
)
mask = mask.argmax(1).cpu().numpy()  # 予測されたクラス（チャンネル次元）に対するargmax

💻 使用例

基本的な使用法

import torch
import requests
import numpy as np
import albumentations as A
import segmentation_models_pytorch as smp

from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"

# 事前学習済みモデルと前処理関数をロード
checkpoint = "smp-hub/segformer-b0-1024x1024-city-160k"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)

# 画像をロード
url = "https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# 画像を前処理
np_image = np.array(image)
normalized_image = preprocessing(image=np_image)["image"]
input_tensor = torch.as_tensor(normalized_image)
input_tensor = input_tensor.permute(2, 0, 1).unsqueeze(0)  # HWC -> BCHW
input_tensor = input_tensor.to(device)

# 推論を実行
with torch.no_grad():
    output_mask = model(input_tensor)

# マスクを後処理
mask = torch.nn.functional.interpolate(
    output_mask, size=(image.height, image.width), mode="bilinear", align_corners=False
)
mask = mask.argmax(1).cpu().numpy()  # 予測されたクラス（チャンネル次元）に対するargmax

🔧 技術詳細

モデルの初期化パラメータ

model_init_params = {
    "encoder_name": "mit_b0",
    "encoder_depth": 5,
    "encoder_weights": None,
    "decoder_segmentation_channels": 256,
    "in_channels": 3,
    "classes": 19,
    "activation": None,
    "aux_params": None
}

データセット

データセット名: Cityscapes

📚 ドキュメント

• ライブラリ: https://github.com/qubvel/segmentation_models.pytorch
• ドキュメント: https://smp.readthedocs.io/en/latest/
• ライセンス: https://github.com/NVlabs/SegFormer/blob/master/LICENSE

このモデルは、PytorchModelHubMixinを使用してハブに公開されています。

📄 ライセンス

ライセンス情報: https://github.com/NVlabs/SegFormer/blob/master/LICENSE