Mit B2

🚀 SegFormer (b2サイズ) エンコーダの事前学習モデル

SegFormerエンコーダは、Imagenet-1kでファインチューニングされています。このモデルは、Xieらによる論文 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers 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

SegFormerは、階層的なTransformerエンコーダと軽量の全MLPデコードヘッドから構成されており、ADE20KやCityscapesなどのセマンティックセグメンテーションベンチマークで優れた結果を達成します。階層的なTransformerはまずImageNet-1kで事前学習され、その後デコードヘッドが追加され、下流のデータセットで一括してファインチューニングされます。

このリポジトリには、事前学習された階層的なTransformerのみが含まれているため、ファインチューニングに使用することができます。

✨ 主な機能

• 階層的なTransformerエンコーダと軽量の全MLPデコードヘッドを使用して、セマンティックセグメンテーションに優れた性能を発揮します。
• ImageNet-1kで事前学習されており、下流のデータセットでのファインチューニングに適しています。

💻 使用例

基本的な使用法

以下は、このモデルを使用してCOCO 2017データセットの画像を1,000のImageNetクラスのいずれかに分類する方法です。

from transformers import SegformerFeatureExtractor, SegformerForImageClassification
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = SegformerFeatureExtractor.from_pretrained("nvidia/mit-b2")
model = SegformerForImageClassification.from_pretrained("nvidia/mit-b2")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

より詳細なコード例については、ドキュメント を参照してください。

📚 ドキュメント

想定される用途と制限

このモデルは、セマンティックセグメンテーションのファインチューニングに使用できます。関心のある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。

免責事項

SegFormer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。

📄 ライセンス

このモデルのライセンスについては、こちら を参照してください。

🔧 技術詳細

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-2105-15203,
  author    = {Enze Xie and
               Wenhai Wang and
               Zhiding Yu and
               Anima Anandkumar and
               Jose M. Alvarez and
               Ping Luo},
  title     = {SegFormer: Simple and Efficient Design for Semantic Segmentation with
               Transformers},
  journal   = {CoRR},
  volume    = {abs/2105.15203},
  year      = {2021},
  url       = {https://arxiv.org/abs/2105.15203},
  eprinttype = {arXiv},
  eprint    = {2105.15203},
  timestamp = {Wed, 02 Jun 2021 11:46:42 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2105-15203.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

モデル情報