Mit B1

🚀 SegFormer（b1 大小）仅预训练编码器

SegFormer 是一个用于语义分割的模型，该编码器在 ImageNet-1k 上进行了预训练。它由 Xie 等人在论文 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers 中提出，并首次在 此仓库 中发布。

⚠️ 重要提示

发布 SegFormer 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。

🚀 快速开始

SegFormer 由一个分层 Transformer 编码器和一个轻量级全 MLP 解码头组成，在 ADE20K 和 Cityscapes 等语义分割基准测试中取得了出色的效果。分层 Transformer 首先在 ImageNet-1k 上进行预训练，然后添加解码头，并在下游数据集上进行整体微调。

本仓库仅包含预训练的分层 Transformer，因此可用于微调目的。

✨ 主要特性

• 采用分层 Transformer 编码器和轻量级全 MLP 解码头，在语义分割任务中表现出色。
• 分层 Transformer 先在 ImageNet-1k 上预训练，再进行下游任务微调。

📦 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

以下是如何使用此模型将 COCO 2017 数据集中的图像分类为 1000 个 ImageNet 类别之一的示例：

from transformers import SegformerFeatureExtractor, SegformerForImageClassification
from PIL import Image
import requests

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

feature_extractor = SegformerFeatureExtractor.from_pretrained("nvidia/mit-b1")
model = SegformerForImageClassification.from_pretrained("nvidia/mit-b1")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

更多代码示例请参考 文档。

📚 详细文档

预期用途和限制

你可以使用此模型进行语义分割的微调。请查看 模型中心 以查找针对你感兴趣的任务进行微调的版本。

📄 许可证

此模型的许可证可在 此处 找到。

🔧 技术细节

BibTeX 引用和引用信息

@article{DBLP:journals/corr/abs-2105-15203,
  author    = {Enze Xie and
               Wenhai Wang and
               Zhiding Yu and
               Anima Anandkumar and
               Jose M. Alvarez and
               Ping Luo},
  title     = {SegFormer: Simple and Efficient Design for Semantic Segmentation with
               Transformers},
  journal   = {CoRR},
  volume    = {abs/2105.15203},
  year      = {2021},
  url       = {https://arxiv.org/abs/2105.15203},
  eprinttype = {arXiv},
  eprint    = {2105.15203},
  timestamp = {Wed, 02 Jun 2021 11:46:42 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2105-15203.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📋 信息表格