Segformer B5 640x640 Ade 160k

🚀 分割模型库 - 基于PyTorch的图像分割模型

本项目提供了基于PyTorch的图像分割模型，特别是Segformer模型，可用于高效准确的图像分割任务，为图像分析和处理提供强大支持。

🚀 快速开始

你可以点击下面的按钮在Colab中运行示例代码：

安装依赖

pip install -U segmentation_models_pytorch albumentations

运行推理

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"

# 加载预训练模型和预处理函数
checkpoint = "smp-hub/segformer-b5-640x640-ade-160k"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)

# 加载图像
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)

# 预处理图像
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)

# 进行推理
with torch.no_grad():
    output_mask = model(input_tensor)

# 后处理掩码
mask = torch.nn.functional.interpolate(
    output_mask, size=(image.height, image.width), mode="bilinear", align_corners=False
)
mask = mask.argmax(1).cpu().numpy()  # 在预测类别（通道维度）上取最大值

💻 使用示例

基础用法

上述的快速开始部分已经展示了如何加载预训练模型并进行推理的基础用法。

高级用法

如果你想自定义模型的初始化参数，可以参考以下代码：

model_init_params = {
    "encoder_name": "mit_b5",
    "encoder_depth": 5,
    "encoder_weights": None,
    "decoder_segmentation_channels": 768,
    "in_channels": 3,
    "classes": 150,
    "activation": None,
    "aux_params": None
}

📚 详细文档

数据集

本模型使用的数据集为 ADE20K。

更多信息

• 库地址：https://github.com/qubvel/segmentation_models.pytorch
• 文档地址：https://smp.readthedocs.io/en/latest/
• 许可证：https://github.com/NVlabs/SegFormer/blob/master/LICENSE

本模型使用 PytorchModelHubMixin 推送到了模型中心。

📄 许可证

本项目使用其他许可证，具体请参考：https://github.com/NVlabs/SegFormer/blob/master/LICENSE 。