Segformer B5 Finetuned Cityscapes 1024 1024

🚀 SegFormer (b5尺寸) 在CityScapes數據集上微調的模型

SegFormer是一個用於語義分割的模型，該模型在CityScapes數據集上以1024x1024的分辨率進行了微調。它由Xie等人在論文SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers中提出，並首次在此倉庫中發佈。

需要說明的是，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團隊撰寫。

🚀 快速開始

你可以使用此原始模型進行語義分割。你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。

✨ 主要特性

SegFormer由一個分層的Transformer編碼器和一個輕量級的全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，然後添加一個解碼頭，並在下游數據集上進行整體微調。

💻 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：

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

feature_extractor = SegformerFeatureExtractor.from_pretrained("nvidia/segformer-b5-finetuned-cityscapes-1024-1024")
model = SegformerForSemanticSegmentation.from_pretrained("nvidia/segformer-b5-finetuned-cityscapes-1024-1024")

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

模型描述

SegFormer由一個分層的Transformer編碼器和一個輕量級的全MLP解碼頭組成，以在ADE20K和Cityscapes等語義分割基準測試中取得出色的效果。分層Transformer首先在ImageNet - 1k上進行預訓練，之後添加一個解碼頭，並在下游數據集上進行整體微調。

預期用途和侷限性

你可以使用此原始模型進行語義分割。你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。

📄 許可證

此模型的許可證可在此處找到。

🔧 技術細節

BibTeX引用和引用信息

@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