Mask2former Swin Large Mapillary Vistas Semantic

🚀 Mask2Former

Mask2Former是一个用于图像分割的模型，它可以以相同的范式处理实例、语义和全景分割任务，通过预测一组掩码和相应的标签来完成。该模型在性能和效率上都有出色表现。

🚀 快速开始

本模型可用于全景分割任务。你可以在模型中心查找其他针对你感兴趣任务的微调版本。

以下是使用该模型的示例代码：

基础用法

import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation


# load Mask2Former fine-tuned on Mapillary Vistas semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-mapillary-vistas-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-mapillary-vistas-semantic")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(images=image, return_tensors="pt")

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

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

# you can pass them to processor for postprocessing
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)

更多代码示例请参考文档。

✨ 主要特性

• 统一范式：Mask2Former以相同的范式处理实例、语义和全景分割任务，将这3种任务都视为实例分割。
• 性能优越：相比之前的SOTA模型MaskFormer，在性能和效率上都更胜一筹。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替换像素解码器。
  • 采用带有掩码注意力的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不是在整个掩码上计算，提高训练效率。

📚 详细文档

模型描述

Mask2Former在论文Masked-attention Mask Transformer for Universal Image Segmentation中被提出，并首次在此仓库发布。它基于在Mapillary Vistas语义分割数据集上进行训练（大尺寸版本，Swin骨干网络）。

免责声明

发布Mask2Former的团队并未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。

预期用途和限制

你可以使用此特定的检查点进行全景分割。若要查找针对其他感兴趣任务的微调版本，请查看模型中心。

📄 许可证

其他

📦 数据集和示例

数据集

该模型使用了COCO数据集进行训练。

示例

以下是一些示例图片：

• Cats
• Castle

📋 信息表格