Upernet Swin Tiny

🚀 分割模型庫（Segmentation-Models-PyTorch）之UPerNet模型

本項目基於segmentation-models-pytorch庫，提供了UPerNet模型用於圖像分割任務。UPerNet模型能夠高效準確地對圖像進行語義分割，為相關領域的研究和應用提供了有力支持。

🚀 快速開始

加載預訓練模型

點擊下面的按鈕在Colab中運行示例：

步驟1：安裝依賴

pip install -U segmentation_models_pytorch albumentations

步驟2：運行推理

import torch
import requests
import numpy as np
import albumentations as A
import segmentation_models_pytorch as smp

from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"

# 加載預訓練模型和預處理函數
checkpoint = "smp-hub/upernet-convnext-tiny"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)

# 加載圖像
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)

# 預處理圖像
np_image = np.array(image)
normalized_image = preprocessing(image=np_image)["image"]
input_tensor = torch.as_tensor(normalized_image)
input_tensor = input_tensor.permute(2, 0, 1).unsqueeze(0)  # HWC -> BCHW
input_tensor = input_tensor.to(device)

# 進行推理
with torch.no_grad():
    output_mask = model(input_tensor)

# 後處理掩碼
mask = mask.argmax(1).cpu().numpy()  # 在預測類別（通道維度）上取最大值

💻 使用示例

基礎用法

上述加載預訓練模型並進行推理的代碼即為基礎用法示例，可直接運行對圖像進行分割。

高級用法

在實際應用中，你可能需要根據具體需求調整模型的初始化參數，以下是模型初始化參數的示例：

model_init_params = {
    "encoder_name": "tu-swin_tiny_patch4_window7_224",
    "encoder_depth": 5,
    "encoder_weights": None,
    "decoder_channels": 512,
    "decoder_use_norm": "batchnorm",
    "in_channels": 3,
    "classes": 150,
    "activation": None,
    "upsampling": 4,
    "aux_params": None,
    "img_size": 512
}

📚 詳細文檔

數據集

本模型使用的數據集為 ADE20K。

更多信息

• 庫地址：https://github.com/qubvel/segmentation_models.pytorch
• 文檔地址：https://smp.readthedocs.io/en/latest/

本模型已使用 PytorchModelHubMixin 推送到模型中心。

📄 許可證

本項目採用 MIT 許可證。