🚀 圖像分割模型 - UPerNet
UPerNet 是一個基於 PyTorch 的圖像分割模型,可用於語義分割任務。它藉助 segmentation-models-pytorch
庫實現,能幫助開發者快速搭建和訓練圖像分割模型。
🚀 快速開始
加載預訓練模型
你可以點擊下面的鏈接在 Google Colab 中運行示例代碼:

安裝依賴
pip install -U segmentation_models_pytorch albumentations
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"
checkpoint = "smp-hub/upernet-convnext-base"
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()
📦 安裝指南
運行以下命令安裝所需的庫:
pip install -U segmentation_models_pytorch albumentations
💻 使用示例
基礎用法
上述“加載預訓練模型”部分的代碼即為基礎用法示例,展示瞭如何加載預訓練模型並進行推理。
高級用法
你可以根據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-convnext_base",
"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
}
📚 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/
- 許可證:https://github.com/NVlabs/SegFormer/blob/master/LICENSE
本模型通過 PytorchModelHubMixin 推送到 Hugging Face Hub。
📄 許可證
本項目採用 MIT 許可證。