Video Mask2former Swin Tiny Youtubevis 2021 Instance

🚀 視頻Mask2Former

視頻Mask2Former是一個在YouTubeVIS - 2021實例分割數據集上訓練的模型（微小尺寸版本，採用Swin骨幹網絡）。它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。視頻Mask2Former是原始Mask2Former論文的擴展，原論文名為用於通用圖像分割的掩碼注意力掩碼變換器。

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團隊撰寫。

✨ 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，即通過預測一組掩碼和相應的標籤，將這3個任務都視為實例分割任務。
• 性能卓越：在性能和效率方面均超越了之前的最優模型MaskFormer。具體通過以下方式實現：用更先進的多尺度可變形注意力變換器替換像素解碼器；採用帶有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；通過在子採樣點而非整個掩碼上計算損失來提高訓練效率。
• 視頻分割表現出色：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達到了最優性能。

📦 安裝指南

文檔中未提及具體安裝步驟，故跳過此章節。

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

高級用法

如需更多代碼示例，請參考文檔。

📚 詳細文檔

模型描述

Mask2Former使用相同的範式處理實例、語義和全景分割任務，即通過預測一組掩碼和相應的標籤，將這3個任務都視為實例分割任務。Mask2Former在性能和效率方面均超越了之前的最優模型MaskFormer，具體通過以下方式實現：

• 用更先進的多尺度可變形注意力變換器替換像素解碼器。
• 採用帶有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。
• 通過在子採樣點而非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達到了最優性能。

預期用途與限制

你可以使用此特定檢查點進行實例分割。請查看模型中心，以查找此模型其他可能令你感興趣的微調版本。

🔧 技術細節

文檔中未提及具體技術細節內容，故跳過此章節。

📄 許可證

本模型採用MIT許可證。