Mask2former Swin Small 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、語義和全景分割任務，通過預測一組掩碼和相應的標籤來實現高效準確的分割效果。

🚀 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個任務都視為實例分割任務，通過預測一組掩碼和相應的標籤來完成。
• 性能提升：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替換像素解碼器。
  • 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。

📦 安裝指南

文檔未提及具體安裝步驟，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全景分割上微調的Mask2Former模型
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-small-cityscapes-panoptic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-small-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)

# 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

# 你可以將它們傳遞給處理器進行後處理
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 我們參考演示筆記本進行可視化（請參閱Mask2Former文檔中的“資源”部分）
predicted_panoptic_map = result["segmentation"]

高級用法

更多代碼示例，請參考文檔。

📚 詳細文檔

Mask2Former模型在Cityscapes全景分割上進行了訓練（小尺寸版本，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。

免責聲明：發佈Mask2Former的團隊沒有為該模型編寫模型卡片，因此此模型卡片由Hugging Face團隊編寫。

🔧 技術細節

Mask2Former通過預測一組掩碼和相應的標籤來處理實例、語義和全景分割任務。它在性能和效率上超越了之前的SOTA模型MaskFormer，具體改進包括：

• 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。

📄 許可證

許可證類型：other

📋 信息表格