Oneformer Cityscapes Dinat Large

🚀 OneFormer

OneFormer是在Cityscapes數據集（大尺寸版本，Dinat主幹網絡）上訓練的模型。它由Jain等人在論文OneFormer: One Transformer to Rule Universal Image Segmentation中提出，並首次在此倉庫發佈。該模型可用於圖像分割任務，為多種分割需求提供了統一的解決方案。

🚀 快速開始

你可以使用這個特定的檢查點進行語義、實例和全景分割。查看模型中心以尋找在不同數據集上微調的其他版本。

✨ 主要特性

• OneFormer是首個多任務通用圖像分割框架。只需使用單一通用架構、單一模型並在單一數據集上進行一次訓練，就能在語義、實例和全景分割任務中超越現有的專用模型。
• OneFormer使用任務令牌來使模型專注於當前任務，使架構在訓練時具有任務導向性，在推理時具有任務動態性，且僅需使用單一模型。

💻 使用示例

基礎用法

from transformers import OneFormerProcessor, OneFormerForUniversalSegmentation
from PIL import Image
import requests
url = "https://huggingface.co/datasets/shi-labs/oneformer_demo/blob/main/cityscapes.png"
image = Image.open(requests.get(url, stream=True).raw)

# Loading a single model for all three tasks
processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_cityscapes_dinat_large")
model = OneFormerForUniversalSegmentation.from_pretrained("shi-labs/oneformer_cityscapes_dinat_large")

# Semantic Segmentation
semantic_inputs = processor(images=image, task_inputs=["semantic"], return_tensors="pt")
semantic_outputs = model(**semantic_inputs)
# pass through image_processor for postprocessing
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]

# Instance Segmentation
instance_inputs = processor(images=image, task_inputs=["instance"], return_tensors="pt")
instance_outputs = model(**instance_inputs)
# pass through image_processor for postprocessing
predicted_instance_map = processor.post_process_instance_segmentation(outputs, target_sizes=[image.size[::-1]])[0]["segmentation"]

# Panoptic Segmentation
panoptic_inputs = processor(images=image, task_inputs=["panoptic"], return_tensors="pt")
panoptic_outputs = model(**panoptic_inputs)
# pass through image_processor for postprocessing
predicted_semantic_map = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]["segmentation"]

更多示例

更多示例請參考文檔。

📚 詳細文檔

OneFormer是首個多任務通用圖像分割框架。它需要僅使用單一通用架構、單一模型並在單一數據集上進行一次訓練，就能在語義、實例和全景分割任務中超越現有的專用模型。OneFormer使用任務令牌來使模型專注於當前任務，使架構在訓練時具有任務導向性，在推理時具有任務動態性，且僅需使用單一模型。

📄 許可證

本項目採用MIT許可證。

📦 信息表格

📖 引用

@article{jain2022oneformer,
      title={{OneFormer: One Transformer to Rule Universal Image Segmentation}},
      author={Jitesh Jain and Jiachen Li and MangTik Chiu and Ali Hassani and Nikita Orlov and Humphrey Shi},
      journal={arXiv}, 
      year={2022}
    }