Video Mask2former Swin Large Youtubevis 2021 Instance

🚀 Video Mask2Former

Video Mask2Former 是一个在 YouTubeVIS-2021 实例分割数据集上训练的模型（大尺寸版本，采用 Swin 主干网络）。它源自论文 Mask2Former for Video Instance Segmentation，并首次在 此仓库 中发布。Video Mask2Former 是原始 Mask2Former 论文 Masked-attention Mask Transformer for Universal Image Segmentation 的扩展。

需要说明的是，发布 Mask2Former 的团队并未为此模型编写模型卡片，本模型卡片由 Hugging Face 团队编写。

✨ 主要特性

• 统一范式：Mask2Former 通过预测一组掩码和相应的标签，以相同的范式处理实例分割、语义分割和全景分割任务，将这 3 种任务都视为实例分割。
• 性能卓越：相较于之前的 SOTA 模型 MaskFormer，Mask2Former 在性能和效率上均有提升。具体通过以下方式实现：用更先进的多尺度可变形注意力 Transformer 替代像素解码器；采用带掩码注意力的 Transformer 解码器，在不增加额外计算量的情况下提升性能；通过在子采样点上计算损失而非整个掩码，提高训练效率。
• 视频分割表现出色：在论文 Mask2Former for Video Instance Segmentation 中，作者表明 Mask2Former 在不修改架构、损失函数甚至训练流程的情况下，在视频实例分割任务上也达到了先进水平。

📚 详细文档

模型描述

Mask2Former 以相同的范式处理实例分割、语义分割和全景分割任务，即通过预测一组掩码和相应的标签，将这 3 种任务都当作实例分割来处理。它在性能和效率上超越了之前的 SOTA 模型 MaskFormer，主要通过以下几点改进：

• 用更先进的多尺度可变形注意力 Transformer 替代像素解码器。
• 采用带掩码注意力的 Transformer 解码器，在不引入额外计算的情况下提升性能。
• 通过在子采样点上计算损失而非整个掩码，提高训练效率。

在论文 Mask2Former for Video Instance Segmentation 中，作者证明了 Mask2Former 在不改变架构、损失函数和训练流程的情况下，在视频实例分割任务上也能取得先进的性能。

预期用途与限制

你可以使用此特定检查点进行实例分割。你可以访问 模型中心 查找该模型其他可能令你感兴趣的微调版本。

💻 使用示例

基础用法

以下是如何使用此模型的示例代码：

import torch
import torchvision
from huggingface_hub import hf_hub_download
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation

# load Mask2Former trained on YouTubeVIS 2021 instance segmentation
processor = AutoImageProcessor.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-large-youtubevis-2021-instance")

file_path = hf_hub_download(repo_id="shivi/video-demo", filename="cars.mp4", repo_type="dataset")
video = torchvision.io.read_video(file_path)[0]
video_frames = [image_processor(images=frame, return_tensors="pt").pixel_values for frame in video]
video_input = torch.cat(video_frames)

with torch.no_grad():
    outputs = model(**video_input)

# model predicts class_queries_logits of shape `(batch_size, num_queries, num_classes)`
# and masks_queries_logits of shape `(num_queries, batch_size, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# you can pass them to processor for postprocessing
result = image_processor.post_process_video_instance_segmentation(outputs, target_sizes=[tuple(video.shape[1:3])])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_video_instance_map = result["segmentation"]

如需更多代码示例，请参考 文档。

📄 许可证

本项目采用 MIT 许可证。