Upernet Convnext Xlarge

🚀 UPerNet 模型卡片

UPerNet 是用于图像分割的模型，借助 segmentation-models-pytorch 库，可方便地进行训练和推理，适用于语义分割等相关任务。

🚀 快速开始

加载预训练模型

点击下面的按钮在 Colab 中打开示例：

步骤如下

1. 安装所需依赖：

pip install -U segmentation_models_pytorch albumentations

2. 运行推理代码：

import torch
import requests
import numpy as np
import albumentations as A
import segmentation_models_pytorch as smp

from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load pretrained model and preprocessing function
checkpoint = "smp-hub/upernet-convnext-xlarge"
model = smp.from_pretrained(checkpoint).eval().to(device)
preprocessing = A.Compose.from_pretrained(checkpoint)

# Load image
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)

# Preprocess image
np_image = np.array(image)
normalized_image = preprocessing(image=np_image)["image"]
input_tensor = torch.as_tensor(normalized_image)
input_tensor = input_tensor.permute(2, 0, 1).unsqueeze(0)  # HWC -> BCHW
input_tensor = input_tensor.to(device)

# Perform inference
with torch.no_grad():
    output_mask = model(input_tensor)

# Postprocess mask
mask = mask.argmax(1).cpu().numpy()  # argmax over predicted classes (channels dim)

💻 使用示例

基础用法

上述加载预训练模型并进行推理的代码就是基础用法示例，它展示了如何使用预训练的 UPerNet 模型对一张图像进行语义分割推理。

高级用法

目前文档未提供高级用法示例，后续可根据实际需求进一步探索，例如调整模型参数、使用自定义数据集等。

📚 详细文档

模型初始化参数

model_init_params = {
    "encoder_name": "tu-convnext_xlarge",
    "encoder_depth": 5,
    "encoder_weights": None,
    "decoder_channels": 512,
    "decoder_use_norm": "batchnorm",
    "in_channels": 3,
    "classes": 150,
    "activation": None,
    "upsampling": 4,
    "aux_params": None
}

数据集

数据集名称：ADE20K

更多信息

• 库地址：https://github.com/qubvel/segmentation_models.pytorch
• 文档地址：https://smp.readthedocs.io/en/latest/

本模型使用 PytorchModelHubMixin 推送到了模型中心。

📄 许可证

本项目采用 MIT 许可证。