Mask2former Swin Base IN21k Cityscapes Semantic

🚀 Mask2Former

Mask2Former是一個用於圖像分割的模型，它採用統一範式處理實例、語義和全景分割任務，性能和效率表現出色。

🚀 快速開始

Mask2Former 是在 Cityscapes 語義分割任務上訓練的模型（base - IN21k，Swin 骨幹網絡）。它在論文 Masked - attention Mask Transformer for Universal Image Segmentation 中被提出，並首次在 此倉庫 發佈。

需要說明的是，發佈 Mask2Former 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。

✨ 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。
• 性能卓越：相比之前的最優模型 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 替換像素解碼器。
  • 採用帶有掩碼注意力的 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。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

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-base-IN21k-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-base-IN21k-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)`
# 以及 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

# 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）

高級用法

更多代碼示例，請參考 文檔。

📚 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。若想查找在其他感興趣任務上微調的版本，請查看 模型中心。

🔧 技術細節

文檔未提供足夠的技術實現細節（少於 50 字），故跳過此章節。

📄 許可證

此模型使用其他許可證。