🚀 UPerNet 模型卡片
UPerNet 是用於圖像分割的模型,藉助 segmentation-models-pytorch
庫,可方便地進行訓練和推理,適用於語義分割等相關任務。
🚀 快速開始
加載預訓練模型
點擊下面的按鈕在 Colab 中打開示例:

步驟如下
- 安裝所需依賴:
pip install -U segmentation_models_pytorch albumentations
- 運行推理代碼:
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"
checkpoint = "smp-hub/upernet-convnext-xlarge"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)
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)
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)
input_tensor = input_tensor.to(device)
with torch.no_grad():
output_mask = model(input_tensor)
mask = mask.argmax(1).cpu().numpy()
💻 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就是基礎用法示例,它展示瞭如何使用預訓練的 UPerNet 模型對一張圖像進行語義分割推理。
高級用法
目前文檔未提供高級用法示例,後續可根據實際需求進一步探索,例如調整模型參數、使用自定義數據集等。
📚 詳細文檔
模型初始化參數
model_init_params = {
"encoder_name": "tu-convnext_xlarge",
"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
}
數據集
數據集名稱: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/
本模型使用 PytorchModelHubMixin 推送到了模型中心。
📄 許可證
本項目採用 MIT 許可證。