Mit B0

🚀 预训练的SegFormer（b0尺寸）编码器

SegFormer编码器在Imagenet - 1k上进行了微调。它由Xie等人在论文SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers中提出，并首次在此仓库发布。

免责声明：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

本模型是SegFormer的预训练编码器，可用于语义分割的微调任务。你可以在模型中心查找针对你感兴趣的任务进行微调后的版本。

✨ 主要特性

SegFormer由分层Transformer编码器和轻量级全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，可用于微调目的。

📦 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

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 SegformerImageProcessor, SegformerForImageClassification
from PIL import Image
import requests

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

image_processor = SegformerImageProcessor.from_pretrained("nvidia/mit-b0")
model = SegformerForImageClassification.from_pretrained("nvidia/mit-b0")

inputs = image_processor(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

你可以使用该模型进行语义分割的微调。可在模型中心查找针对你感兴趣的任务进行微调后的版本。

🔧 技术细节

SegFormer由分层Transformer编码器和轻量级全MLP解码头组成，分层Transformer先在ImageNet - 1k上预训练，之后添加解码头并在下游数据集上整体微调。此仓库仅包含预训练的分层Transformer，可用于微调。

📄 许可证

此模型的许可证信息可在此处找到。

BibTeX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