Upernet Convnext Base

🚀 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"

# 加載預訓練模型和預處理函數
checkpoint = "smp-hub/upernet-convnext-base"
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()  # argmax over predicted classes (channels dim)

📦 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。