Video Mask2former Swin Tiny Youtubevis 2019 Instance

🚀 視頻掩碼2Former（Video Mask2Former）

Video Mask2Former是在YouTubeVIS - 2019實例分割數據集上訓練的模型（微小版本，採用Swin骨幹網絡），可有效解決視頻實例分割問題。

🚀 快速開始

Video Mask2Former模型在YouTubeVIS - 2019實例分割數據集上進行訓練（微小版本，採用Swin骨幹網絡）。該模型在論文用於視頻實例分割的Mask2Former中被提出，並首次在此倉庫發佈。Video Mask2Former是原用於通用圖像分割的掩碼注意力掩碼變換器（Masked - attention Mask Transformer for Universal Image Segmentation）論文中Mask2Former模型的擴展。

聲明：發佈Mask2Former的團隊並未為此模型撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

✨ 主要特性

模型描述

Mask2Former使用相同的範式來處理實例、語義和全景分割：通過預測一組掩碼和相應的標籤。因此，所有這3項任務都被視為實例分割。與之前的最優模型MaskFormer相比，Mask2Former在性能和效率方面都更勝一籌，具體體現在：

• 用更先進的多尺度可變形注意力變換器取代像素解碼器；
• 採用帶掩碼注意力的變換器解碼器，在不引入額外計算的情況下提升性能；
• 通過在子採樣點而不是整個掩碼上計算損失來提高訓練效率。

在論文用於視頻實例分割的Mask2Former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取得了最優性能。

預期用途與侷限性

你可以使用此特定檢查點進行實例分割。請查看[模型中心](https://huggingface.co/models?search=video - mask2former)，以查找此模型其他可能令你感興趣的微調版本。

💻 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-tiny-youtubevis-2019-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-tiny-youtubevis-2019-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"]

如需更多代碼示例，請參考文檔。

📄 許可證

本模型採用MIT許可證。