Mask2former Swin Small Cityscapes Semantic

🚀 Mask2Former

Mask2Former 是一個用於圖像分割的模型，它採用統一的範式處理實例、語義和全景分割任務，能有效提升分割性能與效率。

🚀 快速開始

模型概述

Mask2Former 模型在 Cityscapes 語義分割任務上進行了訓練（小尺寸版本，採用 Swin 主幹網絡）。該模型在論文 Masked-attention Mask Transformer for Universal Image Segmentation 中被提出，並首次在 此代碼庫 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，此卡片由 Hugging Face 團隊編寫。

✨ 主要特性

模型描述

Mask2Former 以相同的範式處理實例、語義和全景分割任務：通過預測一組掩碼和相應的標籤。因此，這三個任務都被當作實例分割任務來處理。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，具體改進如下：

• 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。
• 通過在子採樣點而非整個掩碼上計算損失，提高訓練效率。

預期用途與侷限性

你可以使用此特定檢查點進行全景分割。若想尋找針對其他感興趣任務的微調版本，請查看 模型中心。

💻 使用示例

基礎用法

以下是如何使用該模型的示例代碼：

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-small-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-small-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。

📄 許可證

許可證類型：其他

📦 信息表格