Mask2former Swin Base IN21k Cityscapes Panoptic

🚀 Mask2Former

Mask2Former是一個用於圖像分割的模型，它採用相同的範式處理實例分割、語義分割和全景分割任務，通過預測一組掩碼和相應的標籤來實現。該模型在性能和效率上均表現出色。

🚀 快速開始

你可以使用這個特定的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，可查看模型中心。

✨ 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，將這3種任務都視為實例分割。
• 性能卓越：在性能和效率方面均超越了之前的SOTA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。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考相關依賴庫的官方文檔進行安裝，如transformers、torch、Pillow、requests等。

💻 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 panoptic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-base-IN21k-cityscapes-panoptic/")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-base-IN21k-cityscapes-panoptic/")

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
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_panoptic_map = result["segmentation"]

更多代碼示例可參考文檔。

📚 詳細文檔

Mask2Former模型在論文 Masked-attention Mask Transformer for Universal Image Segmentation 中被提出，並首次在 此倉庫 中發佈。

需要注意的是，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。

📄 許可證

此模型使用其他許可證。

信息表格