Segformer B4 Finetuned Cityscapes 1024 1024

🚀 SegFormer (b4-sized) 模型在 CityScapes 上微調

SegFormer 模型在 CityScapes 數據集上以 1024x1024 分辨率進行了微調。該模型由 Xie 等人在論文 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers 中提出，並首次在 此倉庫 發佈。

聲明：發佈 SegFormer 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。

🚀 快速開始

SegFormer 模型可用於語義分割任務。你可以使用原始模型進行語義分割，也可以在 模型中心 查找針對你感興趣的任務進行微調的版本。

如何使用

以下是如何使用該模型將 COCO 2017 數據集中的圖像分類到 1000 個 ImageNet 類別之一的示例：

from transformers import SegformerImageProcessor, SegformerForSemanticSegmentation
from PIL import Image
import requests

processor = SegformerImageProcessor.from_pretrained("nvidia/segformer-b4-finetuned-cityscapes-1024-1024")
model = SegformerForSemanticSegmentation.from_pretrained("nvidia/segformer-b4-finetuned-cityscapes-1024-1024")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits  # shape (batch_size, num_labels, height/4, width/4)

更多代碼示例請參考 文檔。

✨ 主要特性

SegFormer 由一個分層 Transformer 編碼器和一個輕量級全 MLP 解碼頭組成，在語義分割基準測試（如 ADE20K 和 Cityscapes）上取得了出色的效果。分層 Transformer 首先在 ImageNet-1k 上進行預訓練，然後添加解碼頭並在下游數據集上進行整體微調。

📚 詳細文檔

模型描述

SegFormer 由一個分層 Transformer 編碼器和一個輕量級全 MLP 解碼頭組成，在語義分割基準測試（如 ADE20K 和 Cityscapes）上取得了出色的效果。分層 Transformer 首先在 ImageNet-1k 上進行預訓練，然後添加解碼頭並在下游數據集上進行整體微調。

預期用途和限制

你可以使用原始模型進行語義分割。請在 模型中心 查找針對你感興趣的任務進行微調的版本。

📄 許可證

此模型的許可證可在 此處 找到。

🔗 引用信息

@article{DBLP:journals/corr/abs-2105-15203,
  author    = {Enze Xie and
               Wenhai Wang and
               Zhiding Yu and
               Anima Anandkumar and
               Jose M. Alvarez and
               Ping Luo},
  title     = {SegFormer: Simple and Efficient Design for Semantic Segmentation with
               Transformers},
  journal   = {CoRR},
  volume    = {abs/2105.15203},
  year      = {2021},
  url       = {https://arxiv.org/abs/2105.15203},
  eprinttype = {arXiv},
  eprint    = {2105.15203},
  timestamp = {Wed, 02 Jun 2021 11:46:42 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2105-15203.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📋 模型信息