Bbsnet

🚀 模型ID的模型卡片

本模型旨在用於特定的圖像識別任務，通過特定的算法和架構，為用戶提供準確的圖像分析結果。

📚 詳細文檔

模型詳情

模型描述

屬性	詳情
開發者	[待補充更多信息]
共享者（可選）	[待補充更多信息]
模型類型	[待補充更多信息]
語言（NLP）	[待補充更多信息]
許可證	[待補充更多信息]
微調自的模型（可選）	[待補充更多信息]

模型來源（可選）

• 倉庫：https://github.com/DengPingFan/BBS-Net
• 論文（可選）：BBS-Net: RGB-D salient object detection with a bifurcated backbone strategy network, 2020
• 演示（可選）：[待補充更多信息]

💻 使用示例

基礎用法

from typing import Dict

import numpy as np
from datasets import load_dataset
from matplotlib import cm
from PIL import Image
from torch import Tensor
from transformers import AutoImageProcessor, AutoModel

model = AutoModel.from_pretrained("RGBD-SOD/bbsnet", trust_remote_code=True)
image_processor = AutoImageProcessor.from_pretrained(
    "RGBD-SOD/bbsnet", trust_remote_code=True
)
dataset = load_dataset("RGBD-SOD/test", "v1", split="train", cache_dir="data")

index = 0

"""
Get a specific sample from the dataset

sample = {
    'depth': <PIL.PngImagePlugin.PngImageFile image mode=L size=640x360>, 
    'rgb': <PIL.PngImagePlugin.PngImageFile image mode=RGB size=640x360>, 
    'gt': <PIL.PngImagePlugin.PngImageFile image mode=L size=640x360>, 
    'name': 'COME_Train_5'
}
"""
sample = dataset[index]

depth: Image.Image = sample["depth"]
rgb: Image.Image = sample["rgb"]
gt: Image.Image = sample["gt"]
name: str = sample["name"]


"""
1. Preprocessing step

preprocessed_sample = {
    'rgb': tensor([[[[-0.8507, ....0365]]]]), 
    'gt': tensor([[[[0., 0., 0...., 0.]]]]), 
    'depth': tensor([[[[0.9529, 0....3490]]]])
}
"""
preprocessed_sample: Dict[str, Tensor] = image_processor.preprocess(sample)

"""
2. Prediction step

output = {
    'logits': tensor([[[[-5.1966, ...ackward0>)
}
"""
output: Dict[str, Tensor] = model(
    preprocessed_sample["rgb"], preprocessed_sample["depth"]
)

"""
3. Postprocessing step
"""
postprocessed_sample: np.ndarray = image_processor.postprocess(
    output["logits"], [sample["gt"].size[1], sample["gt"].size[0]]
)
prediction = Image.fromarray(np.uint8(cm.gist_earth(postprocessed_sample) * 255))

"""
Show the predicted salient map and the corresponding ground-truth(GT)
"""
prediction.show()
gt.show()

下游使用（可選）

[待補充更多信息]

超出適用範圍的使用

[待補充更多信息]

🔧 技術細節

偏差、風險和侷限性

[待補充更多信息]

建議

用戶（直接用戶和下游用戶）應瞭解模型的風險、偏差和侷限性。如需進一步建議，還需更多信息。

如何開始使用模型

使用以下代碼開始使用該模型。 [待補充更多信息]

訓練詳情

訓練數據

[待補充更多信息]

訓練過程

預處理（可選）

[待補充更多信息]

訓練超參數

• 訓練機制：[待補充更多信息]

速度、大小、時間（可選）

[待補充更多信息]

評估

測試數據、因素和指標

測試數據

[待補充更多信息]

因素

[待補充更多信息]

指標

[待補充更多信息]

結果

[待補充更多信息]

總結

[待補充更多信息]

模型檢查（可選）

[待補充更多信息]

環境影響

可以使用 Lacoste等人（2019） 中提出的 機器學習影響計算器 來估算碳排放。

屬性	詳情
硬件類型	[待補充更多信息]
使用時長	[待補充更多信息]
雲服務提供商	[待補充更多信息]
計算區域	[待補充更多信息]
碳排放	[待補充更多信息]

技術規格（可選）

模型架構和目標

[待補充更多信息]

計算基礎設施

硬件

[待補充更多信息]

軟件

[待補充更多信息]

引用（可選）

BibTeX：

@inproceedings{fan2020bbs,
  title={BBS-Net: RGB-D salient object detection with a bifurcated backbone strategy network},
  author={Fan, Deng-Ping and Zhai, Yingjie and Borji, Ali and Yang, Jufeng and Shao, Ling},
  booktitle={Computer Vision--ECCV 2020: 16th European Conference, Glasgow, UK, August 23--28, 2020, Proceedings, Part XII},
  pages={275--292},
  year={2020},
  organization={Springer}
}

APA： [待補充更多信息]

術語表（可選）

[待補充更多信息]

更多信息（可選）

[待補充更多信息]

模型卡片作者（可選）

[待補充更多信息]

模型卡片聯繫方式

[待補充更多信息]

📄 許可證

本模型使用MIT許可證。