Segformer B2 Finetuned Ade 512 512

🚀 SegFormer（b2 尺寸）模型在 ADE20k 上微調

本項目是在分辨率為 512x512 的 ADE20k 數據集上微調的 SegFormer 模型。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 的團隊未為此模型編寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

• SegFormer 由分層 Transformer 編碼器和輕量級全 MLP 解碼頭組成，在 ADE20K 和 Cityscapes 等語義分割基準測試中取得了出色的效果。
• 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。

🚀 快速開始

你可以使用此原始模型進行語義分割。可查看 模型中心 以尋找針對你感興趣任務的微調版本。

💻 使用示例

基礎用法

以下是如何使用此模型將 COCO 2017 數據集中的圖像分類為 1000 個 ImageNet 類別之一的示例代碼：

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

feature_extractor = SegformerFeatureExtractor.from_pretrained("nvidia/segformer-b2-finetuned-ade-512-512")
model = SegformerForSemanticSegmentation.from_pretrained("nvidia/segformer-b2-finetuned-ade-512-512")

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

inputs = feature_extractor(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。

📚 詳細文檔

SegFormer 由分層 Transformer 編碼器和輕量級全 MLP 解碼頭組成，旨在實現語義分割的高效設計。分層 Transformer 先在 ImageNet-1k 上預訓練，之後添加解碼頭並在下游數據集上微調，從而在語義分割基準測試中取得優異成績。

📄 許可證

許可證類型：其他

📋 模型信息

📖 引用信息

如需引用此模型，請使用以下 BibTeX 條目：

@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}
}

🎨 示例展示

• 房屋示例
• 城堡示例