Mask2former Swin Tiny Cityscapes Semantic

🚀 Mask2Former

Mask2Former是一個用於圖像分割的模型，它能以相同範式處理實例、語義和全景分割任務，在性能和效率上表現出色。

🚀 快速開始

Mask2Former模型在Cityscapes語義分割任務上進行了訓練（微小版本，採用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 中發佈。

需要說明的是，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

• 統一範式：Mask2Former以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：相比之前的SOTA模型 MaskFormer，Mask2Former在性能和效率上均有提升。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。
  • 採用帶有掩碼注意力的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。

💻 使用示例

基礎用法

import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation


# load Mask2Former fine-tuned on Cityscapes semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-tiny-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-tiny-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)

# model predicts class_queries_logits of shape `(batch_size, num_queries)`
# and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# you can pass them to processor for postprocessing
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)

更多代碼示例請參考 文檔。

📚 詳細文檔

預期用途與限制

你可以使用此特定檢查點進行全景分割。你可以訪問 模型中心 查找其他針對你感興趣任務進行微調的版本。

模型描述

Mask2Former通過預測一組掩碼和相應的標籤，以相同的範式處理實例、語義和全景分割任務。因此，所有3個任務都被視為實例分割任務。

信息表格

示例展示

• Cats
• Castle

📄 許可證

本模型使用其他許可證。