Maskformer Swin Small Ade

🚀 MaskFormer

MaskFormer是一个在ADE20k语义分割数据集上训练的模型（小尺寸版本，采用Swin骨干网络）。它在论文Per-Pixel Classification is Not All You Need for Semantic Segmentation中被提出，并首次在此仓库中发布。该模型使用同一范式处理实例分割、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种任务都视为实例分割任务。

🚀 快速开始

你可以使用此特定的检查点进行语义分割。查看模型中心以查找针对你感兴趣的任务进行微调的其他版本。

✨ 主要特性

• 统一范式：MaskFormer使用同一范式处理实例分割、语义分割和全景分割任务，将这3种任务都视为实例分割任务。
• 模型架构：模型架构如图所示：

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import MaskFormerFeatureExtractor, MaskFormerForInstanceSegmentation
from PIL import Image
import requests

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)
feature_extractor = MaskFormerFeatureExtractor.from_pretrained("facebook/maskformer-swin-small-ade")
inputs = feature_extractor(images=image, return_tensors="pt")

model = MaskFormerForInstanceSegmentation.from_pretrained("facebook/maskformer-swin-small-ade")
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 feature_extractor for postprocessing
# we refer to the demo notebooks for visualization (see "Resources" section in the MaskFormer docs)
predicted_semantic_map = feature_extractor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]

高级用法

更多代码示例，请参考文档。

📚 详细文档

• 模型使用方法：可参考上述代码示例。
• 更多代码示例：请参考文档。

🔧 技术细节

文档未提及技术实现细节，故跳过此章节。

📄 许可证

该模型的许可证为其他（other）。

标签与数据集

示例

免责声明

发布MaskFormer的团队未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。