Video Mask2former Swin Tiny Youtubevis 2021 Instance

🚀 视频Mask2Former

视频Mask2Former是一个在YouTubeVIS - 2021实例分割数据集上训练的模型（微小尺寸版本，采用Swin骨干网络）。它在论文用于视频实例分割的Mask2Former中被提出，并首次在此仓库发布。视频Mask2Former是原始Mask2Former论文的扩展，原论文名为用于通用图像分割的掩码注意力掩码变换器。

声明：发布Mask2Former的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

✨ 主要特性

• 统一范式：Mask2Former使用相同的范式处理实例、语义和全景分割任务，即通过预测一组掩码和相应的标签，将这3个任务都视为实例分割任务。
• 性能卓越：在性能和效率方面均超越了之前的最优模型MaskFormer。具体通过以下方式实现：用更先进的多尺度可变形注意力变换器替换像素解码器；采用带有掩码注意力的变换器解码器，在不引入额外计算的情况下提升性能；通过在子采样点而非整个掩码上计算损失来提高训练效率。
• 视频分割表现出色：在论文用于视频实例分割的Mask2Former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最优性能。

📦 安装指南

文档中未提及具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

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-tiny-youtubevis-2021-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/video-mask2former-swin-tiny-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"]

高级用法

如需更多代码示例，请参考文档。

📚 详细文档

模型描述

Mask2Former使用相同的范式处理实例、语义和全景分割任务，即通过预测一组掩码和相应的标签，将这3个任务都视为实例分割任务。Mask2Former在性能和效率方面均超越了之前的最优模型MaskFormer，具体通过以下方式实现：

• 用更先进的多尺度可变形注意力变换器替换像素解码器。
• 采用带有掩码注意力的变换器解码器，在不引入额外计算的情况下提升性能。
• 通过在子采样点而非整个掩码上计算损失来提高训练效率。

在论文用于视频实例分割的Mask2Former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最优性能。

预期用途与限制

你可以使用此特定检查点进行实例分割。请查看模型中心，以查找此模型其他可能令你感兴趣的微调版本。

🔧 技术细节

文档中未提及具体技术细节内容，故跳过此章节。

📄 许可证

本模型采用MIT许可证。