Maskformer Swin Small Ade

🚀 MaskFormer

MaskFormer是一個在ADE20k語義分割數據集上訓練的模型（小尺寸版本，採用Swin骨幹網絡）。它在論文Per-Pixel Classification is Not All You Need for Semantic Segmentation中被提出，並首次在此倉庫中發佈。該模型使用同一範式處理實例分割、語義分割和全景分割任務，即通過預測一組掩碼和相應的標籤，將這3種任務都視為實例分割任務。

🚀 快速開始

你可以使用此特定的檢查點進行語義分割。查看模型中心以查找針對你感興趣的任務進行微調的其他版本。

✨ 主要特性

• 統一範式：MaskFormer使用同一範式處理實例分割、語義分割和全景分割任務，將這3種任務都視為實例分割任務。
• 模型架構：模型架構如圖所示：

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from transformers import MaskFormerFeatureExtractor, MaskFormerForInstanceSegmentation
from PIL import Image
import requests

url = "https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg"
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = MaskFormerFeatureExtractor.from_pretrained("facebook/maskformer-swin-small-ade")
inputs = feature_extractor(images=image, return_tensors="pt")

model = MaskFormerForInstanceSegmentation.from_pretrained("facebook/maskformer-swin-small-ade")
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 feature_extractor for postprocessing
# we refer to the demo notebooks for visualization (see "Resources" section in the MaskFormer docs)
predicted_semantic_map = feature_extractor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]

高級用法

更多代碼示例，請參考文檔。

📚 詳細文檔

• 模型使用方法：可參考上述代碼示例。
• 更多代碼示例：請參考文檔。

🔧 技術細節

文檔未提及技術實現細節，故跳過此章節。

📄 許可證

該模型的許可證為其他（other）。

標籤與數據集

示例

免責聲明

發佈MaskFormer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。