Mobilevitv2 1.0 Voc Deeplabv3

🚀 MobileViTv2 + DeepLabv3 (shehan97/mobilevitv2-1.0-voc-deeplabv3)

本模型是在分辨率為512x512的PASCAL VOC數據集上預訓練的MobileViTv2模型。它可用於圖像語義分割任務，為相關領域的研究和應用提供了有力支持。

🚀 快速開始

你可以使用此原始模型進行語義分割。你可以前往模型中心查找針對你感興趣的任務進行微調後的版本。

✨ 主要特性

• MobileViTv2通過將MobileViT中的多頭自注意力機制替換為可分離自注意力機制構建而成。
• 本倉庫中的模型在MobileViT主幹網絡上添加了DeepLabV3頭部，用於語義分割。

💻 使用示例

基礎用法

from transformers import MobileViTv2FeatureExtractor, MobileViTv2ForSemanticSegmentation
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = MobileViTv2FeatureExtractor.from_pretrained("shehan97/mobilevitv2-1.0-voc-deeplabv3")
model = MobileViTv2ForSemanticSegmentation.from_pretrained("shehan97/mobilevitv2-1.0-voc-deeplabv3")

inputs = feature_extractor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

predicted_mask = logits.argmax(1).squeeze(0)

目前，特徵提取器和模型均支持PyTorch。

📚 詳細文檔

模型描述

MobileViTv2通過將MobileViT中的多頭自注意力機制替換為可分離自注意力機制構建而成。本倉庫中的模型在MobileViT主幹網絡上添加了DeepLabV3頭部，用於語義分割。

預期用途和侷限性

你可以使用此原始模型進行語義分割。你可以前往模型中心查找針對你感興趣的任務進行微調後的版本。

🔧 技術細節

訓練數據

MobileViT + DeepLabV3模型在ImageNet - 1k數據集上進行了預訓練，該數據集包含100萬張圖像和1000個類別，然後在PASCAL VOC2012數據集上進行了微調。

BibTeX引用和引用信息

@inproceedings{vision-transformer,
title = {Separable Self-attention for Mobile Vision Transformers},
author = {Sachin Mehta and Mohammad Rastegari},
year = {2022},
URL = {https://arxiv.org/abs/2206.02680}
}

📄 許可證

該模型使用的許可證是Apple示例代碼許可證。需要注意的是，發佈MobileViT的團隊並未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。