Video Mask2former Swin Large Youtubevis 2021 Instance

🚀 Video Mask2Former

Video Mask2Former 是一個在 YouTubeVIS-2021 實例分割數據集上訓練的模型（大尺寸版本，採用 Swin 主幹網絡）。它源自論文 Mask2Former for Video Instance Segmentation，並首次在 此倉庫 中發佈。Video Mask2Former 是原始 Mask2Former 論文 Masked-attention Mask Transformer for Universal Image Segmentation 的擴展。

需要說明的是，發佈 Mask2Former 的團隊並未為此模型編寫模型卡片，本模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

• 統一範式：Mask2Former 通過預測一組掩碼和相應的標籤，以相同的範式處理實例分割、語義分割和全景分割任務，將這 3 種任務都視為實例分割。
• 性能卓越：相較於之前的 SOTA 模型 MaskFormer，Mask2Former 在性能和效率上均有提升。具體通過以下方式實現：用更先進的多尺度可變形注意力 Transformer 替代像素解碼器；採用帶掩碼注意力的 Transformer 解碼器，在不增加額外計算量的情況下提升性能；通過在子採樣點上計算損失而非整個掩碼，提高訓練效率。
• 視頻分割表現出色：在論文 Mask2Former for Video Instance Segmentation 中，作者表明 Mask2Former 在不修改架構、損失函數甚至訓練流程的情況下，在視頻實例分割任務上也達到了先進水平。

📚 詳細文檔

模型描述

Mask2Former 以相同的範式處理實例分割、語義分割和全景分割任務，即通過預測一組掩碼和相應的標籤，將這 3 種任務都當作實例分割來處理。它在性能和效率上超越了之前的 SOTA 模型 MaskFormer，主要通過以下幾點改進：

• 用更先進的多尺度可變形注意力 Transformer 替代像素解碼器。
• 採用帶掩碼注意力的 Transformer 解碼器，在不引入額外計算的情況下提升性能。
• 通過在子採樣點上計算損失而非整個掩碼，提高訓練效率。

在論文 Mask2Former for Video Instance Segmentation 中，作者證明了 Mask2Former 在不改變架構、損失函數和訓練流程的情況下，在視頻實例分割任務上也能取得先進的性能。

預期用途與限制

你可以使用此特定檢查點進行實例分割。你可以訪問 模型中心 查找該模型其他可能令你感興趣的微調版本。

💻 使用示例

基礎用法

以下是如何使用此模型的示例代碼：

import torch
import torchvision
from huggingface_hub import hf_hub_download
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation

# load Mask2Former trained on YouTubeVIS 2021 instance segmentation
processor = AutoImageProcessor.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")

file_path = hf_hub_download(repo_id="shivi/video-demo", filename="cars.mp4", repo_type="dataset")
video = torchvision.io.read_video(file_path)[0]
video_frames = [image_processor(images=frame, return_tensors="pt").pixel_values for frame in video]
video_input = torch.cat(video_frames)

with torch.no_grad():
    outputs = model(**video_input)

# model predicts class_queries_logits of shape `(batch_size, num_queries, num_classes)`
# and masks_queries_logits of shape `(num_queries, batch_size, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# you can pass them to processor for postprocessing
result = image_processor.post_process_video_instance_segmentation(outputs, target_sizes=[tuple(video.shape[1:3])])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_video_instance_map = result["segmentation"]

如需更多代碼示例，請參考 文檔。

📄 許可證

本項目採用 MIT 許可證。