Video Mask2former Swin Small Youtubevis 2021 Instance

🚀 Video Mask2Former

Video Mask2Former是一個用於視頻實例分割的模型，在YouTubeVIS - 2021數據集上進行訓練（小型版本，採用Swin骨幹網絡）。它在論文Mask2Former for Video Instance Segmentation中被提出，並首次在此倉庫發佈。該模型是原Mask2Former論文Masked - attention Mask Transformer for Universal Image Segmentation的擴展。

📄 許可證

本項目採用MIT許可證。

🔍 標籤

• 視覺
• 圖像分割

📊 數據集

• YouTubeVIS - 2021

🚀 快速開始

本模型可用於實例分割任務。你可以在[模型中心](https://huggingface.co/models?search=video - mask2former)查找該模型其他可能令你感興趣的微調版本。

✨ 主要特性

• 統一範式：Mask2Former使用相同的範式處理實例分割、語義分割和全景分割，即通過預測一組掩碼和相應的標籤，將這3種任務都視為實例分割。
• 性能優越：相較於之前的SOTA模型MaskFormer，Mask2Former在性能和效率上都更勝一籌。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取代像素解碼器。
  • 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能達到SOTA性能。

📚 詳細文檔

模型描述

Mask2Former以相同的範式處理實例、語義和全景分割：通過預測一組掩碼和相應的標籤，將所有3種任務都當作實例分割來處理。它在性能和效率上都超越了之前的SOTA模型MaskFormer，具體改進如下：

• 用更先進的多尺度可變形注意力Transformer替換像素解碼器。
• 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能取得SOTA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。若想了解該模型其他可能感興趣的微調版本，請查看[模型中心](https://huggingface.co/models?search=video - mask2former)。

💻 使用示例

基礎用法

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-small-youtubevis-2021-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-small-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"]

更多代碼示例，請參考文檔。

免責聲明

發佈Mask2Former的團隊未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。