Test Mask2former Swin Large Cityscapes Semantic

🚀 Mask2Former

Mask2Former是一個用於圖像分割的模型，它採用相同的範式處理實例、語義和全景分割任務，通過預測一組掩碼和相應的標籤來實現。該模型在性能和效率上超越了以往的先進技術。

🚀 快速開始

本模型是在Cityscapes語義分割數據集上訓練的Mask2Former模型（大尺寸版本，Swin骨幹網絡）。它首次在論文 Masked-attention Mask Transformer for Universal Image Segmentation 中被提出，並在 此倉庫 中首次發佈。

需注意，發佈Mask2Former的團隊並未為此模型編寫模型卡片，此卡片由Hugging Face團隊編寫。

✨ 主要特性

• 統一範式：Mask2Former使用相同的範式處理實例、語義和全景分割任務，將這3種任務都視為實例分割。
• 性能優越：相比之前的先進模型 MaskFormer，在性能和效率上都有提升。
  • 先進的注意力機制：用更先進的多尺度可變形注意力Transformer取代像素解碼器。
  • 掩碼注意力解碼器：採用帶掩碼注意力的Transformer解碼器，在不增加額外計算的情況下提升性能。
  • 高效訓練：通過在子採樣點上計算損失而非整個掩碼，提高訓練效率。

📚 詳細文檔

預期用途和限制

你可以使用此特定檢查點進行全景分割。若想尋找針對其他感興趣任務的微調版本，請查看 模型中心。

如何使用

以下是使用此模型的示例代碼：

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

# 加載在Cityscapes語義分割上微調的Mask2Former模型
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-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)

# 模型預測的class_queries_logits形狀為 `(batch_size, num_queries)`
# masks_queries_logits形狀為 `(batch_size, num_queries, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# 你可以將它們傳遞給處理器進行後處理
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 有關可視化，請參考演示筆記本（見Mask2Former文檔的“資源”部分）

更多代碼示例，請參考 文檔。

📄 許可證

本模型遵循其他許可證。

📋 模型信息