Mask2former Swin Tiny Cityscapes Semantic

🚀 Mask2Former

Mask2Former是一个用于图像分割的模型，它能以相同范式处理实例、语义和全景分割任务，在性能和效率上表现出色。

🚀 快速开始

Mask2Former模型在Cityscapes语义分割任务上进行了训练（微小版本，采用Swin骨干网络）。它在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中被提出，并首次在 此仓库 中发布。

需要说明的是，发布Mask2Former的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

• 统一范式：Mask2Former以相同的范式处理实例、语义和全景分割任务，即通过预测一组掩码和相应的标签，将这3个任务都视为实例分割任务。
• 性能卓越：相比之前的SOTA模型 MaskFormer，Mask2Former在性能和效率上均有提升。具体通过以下方式实现：
  • 用更先进的多尺度可变形注意力Transformer取代像素解码器。
  • 采用带有掩码注意力的Transformer解码器，在不引入额外计算的情况下提升性能。
  • 通过在子采样点上计算损失而非整个掩码，提高训练效率。

💻 使用示例

基础用法

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


# load Mask2Former fine-tuned on Cityscapes semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-tiny-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-tiny-cityscapes-semantic")

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)

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

# you can pass them to processor for postprocessing
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)

更多代码示例请参考 文档。

📚 详细文档

预期用途与限制

你可以使用此特定检查点进行全景分割。你可以访问 模型中心 查找其他针对你感兴趣任务进行微调的版本。

模型描述

Mask2Former通过预测一组掩码和相应的标签，以相同的范式处理实例、语义和全景分割任务。因此，所有3个任务都被视为实例分割任务。

信息表格

示例展示

• Cats
• Castle

📄 许可证

本模型使用其他许可证。