🚀 Mask2Former
Mask2Former是一个用于图像分割的模型,它采用统一的范式处理实例、语义和全景分割任务,在性能和效率上表现出色。
✨ 主要特性
- 统一范式:通过预测一组掩码和相应的标签,以相同的方式处理实例、语义和全景分割任务。
- 性能优越:在性能和效率方面超越了之前的SOTA模型MaskFormer。
- 技术创新:采用更先进的多尺度可变形注意力Transformer替换像素解码器,使用带掩码注意力的Transformer解码器提升性能,通过在子采样点上计算损失提高训练效率。
📦 安装指南
暂未提供相关安装步骤。
💻 使用示例
基础用法
import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-coco-panoptic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-coco-panoptic")
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)
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
predicted_panoptic_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采用统一的范式处理实例、语义和全景分割任务,通过预测一组掩码和相应的标签,将这3个任务都视为实例分割任务。它在性能和效率上超越了之前的SOTA模型MaskFormer,主要通过以下方式实现:
- 用更先进的多尺度可变形注意力Transformer替换像素解码器。
- 采用带掩码注意力的Transformer解码器提升性能,且不引入额外的计算。
- 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。

预期用途和限制
你可以使用这个特定的检查点进行全景分割任务。你可以在模型中心查找针对你感兴趣的任务进行微调的其他版本。
免责声明
发布Mask2Former的团队没有为该模型编写模型卡片,此模型卡片由Hugging Face团队编写。
🔧 技术细节
Mask2Former在处理实例、语义和全景分割任务时,采用了统一的预测掩码和标签的范式。它通过以下技术改进超越了之前的SOTA模型:
- 多尺度可变形注意力Transformer:替换了传统的像素解码器,能够更好地捕捉不同尺度的特征。
- 带掩码注意力的Transformer解码器:在不增加额外计算的情况下,提升了模型的性能。
- 子采样点损失计算:通过在子采样点上计算损失,提高了训练效率。
📄 许可证
许可证类型:other
数据集
该模型在COCO数据集上进行训练。
示例
论文引用
该模型在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中被提出,并首次在 此仓库 中发布。