Sam Hq Vit Huge

🚀 高质量分割一切模型（SAM - HQ）

SAM - HQ是分割一切模型（SAM）的增强版本，它能够根据点或框等输入提示生成更高质量的对象掩码。在处理具有复杂结构的对象时，SAM的掩码预测质量往往不足，而SAM - HQ以极小的额外参数和计算成本解决了这些问题，在保持SAM原有设计和泛化能力的同时，显著提升了掩码质量。

🚀 快速开始

提示掩码生成

from PIL import Image
import requests
from transformers import SamHQModel, SamHQProcessor

model = SamHQModel.from_pretrained("syscv-community/sam-hq-vit-huge")
processor = SamHQProcessor.from_pretrained("syscv-community/sam-hq-vit-huge")

img_url = "https://raw.githubusercontent.com/SysCV/sam-hq/refs/heads/main/demo/input_imgs/example1.png"
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert("RGB")
input_boxes = [[[306, 132, 925, 893]]]  # Bounding box for the image

inputs = processor(raw_image, input_boxes=input_boxes, return_tensors="pt").to("cuda")
outputs = model(**inputs)
masks = processor.image_processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"].cpu(), inputs["reshaped_input_sizes"].cpu())
scores = outputs.iou_scores

在生成掩码的其他参数中，你可以传入感兴趣对象近似位置的二维坐标、包围感兴趣对象的边界框（格式应为边界框右上角和左下角的x、y坐标）、分割掩码。根据官方仓库，截至编写本文时，官方模型不支持将文本作为输入。更多详情，请参考这个笔记本，其中展示了如何使用该模型的详细步骤，并配有可视化示例！

自动掩码生成

该模型可用于以“零样本”方式生成输入图像的分割掩码。模型会自动使用一个包含1024个点的网格进行提示，并将这些点全部输入模型。

以下代码片段展示了如何轻松运行自动掩码生成（可在任何设备上运行！只需传入合适的points_per_batch参数）：

from transformers import pipeline
generator = pipeline("mask-generation", model="syscv-community/sam-hq-vit-huge", device=0, points_per_batch=256)
image_url = "https://raw.githubusercontent.com/SysCV/sam-hq/refs/heads/main/demo/input_imgs/example1.png"
outputs = generator(image_url, points_per_batch=256)

现在来显示图像：

import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

def show_mask(mask, ax, random_color=False):
    if random_color:
        color = np.concatenate([np.random.random(3), np.array([0.6])], axis=0)
    else:
        color = np.array([30 / 255, 144 / 255, 255 / 255, 0.6])
    h, w = mask.shape[-2:]
    mask_image = mask.reshape(h, w, 1) * color.reshape(1, 1, -1)
    ax.imshow(mask_image)
    
plt.imshow(np.array(raw_image))
ax = plt.gca()
for mask in outputs["masks"]:
    show_mask(mask, ax=ax, random_color=True)
plt.axis("off")
plt.show()

带可视化的完整示例

import numpy as np
import matplotlib.pyplot as plt
def show_mask(mask, ax, random_color=False):
    if random_color:
        color = np.concatenate([np.random.random(3), np.array([0.6])], axis=0)
    else:
        color = np.array([30/255, 144/255, 255/255, 0.6])
    h, w = mask.shape[-2:]
    mask_image = mask.reshape(h, w, 1) * color.reshape(1, 1, -1)
    ax.imshow(mask_image)
def show_box(box, ax):
    x0, y0 = box[0], box[1]
    w, h = box[2] - box[0], box[3] - box[1]
    ax.add_patch(plt.Rectangle((x0, y0), w, h, edgecolor='green', facecolor=(0,0,0,0), lw=2))  
def show_boxes_on_image(raw_image, boxes):
    plt.figure(figsize=(10,10))
    plt.imshow(raw_image)
    for box in boxes:
      show_box(box, plt.gca())
    plt.axis('on')
    plt.show()
def show_points_on_image(raw_image, input_points, input_labels=None):
    plt.figure(figsize=(10,10))
    plt.imshow(raw_image)
    input_points = np.array(input_points)
    if input_labels is None:
      labels = np.ones_like(input_points[:, 0])
    else:
      labels = np.array(input_labels)
    show_points(input_points, labels, plt.gca())
    plt.axis('on')
    plt.show()
def show_points_and_boxes_on_image(raw_image, boxes, input_points, input_labels=None):
    plt.figure(figsize=(10,10))
    plt.imshow(raw_image)
    input_points = np.array(input_points)
    if input_labels is None:
      labels = np.ones_like(input_points[:, 0])
    else:
      labels = np.array(input_labels)
    show_points(input_points, labels, plt.gca())
    for box in boxes:
      show_box(box, plt.gca())
    plt.axis('on')
    plt.show()
def show_points_and_boxes_on_image(raw_image, boxes, input_points, input_labels=None):
    plt.figure(figsize=(10,10))
    plt.imshow(raw_image)
    input_points = np.array(input_points)
    if input_labels is None:
      labels = np.ones_like(input_points[:, 0])
    else:
      labels = np.array(input_labels)
    show_points(input_points, labels, plt.gca())
    for box in boxes:
      show_box(box, plt.gca())
    plt.axis('on')
    plt.show()
def show_points(coords, labels, ax, marker_size=375):
    pos_points = coords[labels==1]
    neg_points = coords[labels==0]
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white', linewidth=1.25)
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white', linewidth=1.25)
def show_masks_on_image(raw_image, masks, scores):
    if len(masks.shape) == 4:
      masks = masks.squeeze()
    if scores.shape[0] == 1:
      scores = scores.squeeze()
    nb_predictions = scores.shape[-1]
    fig, axes = plt.subplots(1, nb_predictions, figsize=(15, 15))
    for i, (mask, score) in enumerate(zip(masks, scores)):
      mask = mask.cpu().detach()
      axes[i].imshow(np.array(raw_image))
      show_mask(mask, axes[i])
      axes[i].title.set_text(f"Mask {i+1}, Score: {score.item():.3f}")
      axes[i].axis("off")
    plt.show()
def show_masks_on_single_image(raw_image, masks, scores):
    if len(masks.shape) == 4:
        masks = masks.squeeze()
    if scores.shape[0] == 1:
        scores = scores.squeeze()
    # Convert image to numpy array if it's not already
    image_np = np.array(raw_image)
    # Create a figure
    fig, ax = plt.subplots(figsize=(8, 8))
    ax.imshow(image_np)
    # Overlay all masks on the same image
    for i, (mask, score) in enumerate(zip(masks, scores)):
        mask = mask.cpu().detach().numpy()  # Convert to NumPy
        show_mask(mask, ax)  # Assuming `show_mask` properly overlays the mask
    ax.set_title(f"Overlayed Masks with Scores")
    ax.axis("off")
    plt.show()

import torch
from transformers import SamHQModel, SamHQProcessor

device = "cuda" if torch.cuda.is_available() else "cpu"
model = SamHQModel.from_pretrained("syscv-community/sam-hq-vit-huge").to(device)
processor = SamHQProcessor.from_pretrained("syscv-community/sam-hq-vit-huge")

from PIL import Image
import requests
img_url = "https://raw.githubusercontent.com/SysCV/sam-hq/refs/heads/main/demo/input_imgs/example1.png"
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert("RGB")
plt.imshow(raw_image)

inputs = processor(raw_image, return_tensors="pt").to(device)
image_embeddings, intermediate_embeddings = model.get_image_embeddings(inputs["pixel_values"])

input_boxes = [[[306, 132, 925, 893]]]
show_boxes_on_image(raw_image, input_boxes[0]) 

inputs.pop("pixel_values", None)
inputs.update({"image_embeddings": image_embeddings})
inputs.update({"intermediate_embeddings": intermediate_embeddings})
with torch.no_grad():
    outputs = model(**inputs)
masks = processor.image_processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"].cpu(), inputs["reshaped_input_sizes"].cpu())
scores = outputs.iou_scores

show_masks_on_single_image(raw_image, masks[0], scores)

show_masks_on_image(raw_image, masks[0], scores)

✨ 主要特性

• 高质量输出：即使对于具有复杂边界和薄结构的对象，SAM - HQ也能生成高质量的分割掩码，而原始SAM模型在这些情况下往往表现不佳。
• 保留原有设计：SAM - HQ保留了SAM的原始可提示设计、效率和零样本泛化能力，同时显著提高了掩码质量。
• 创新架构：通过引入高质量输出令牌和全局 - 局部特征融合两个关键创新，在保持SAM预训练权重的基础上进行改进。

📚 详细文档

模型细节

SAM - HQ在保留SAM预训练权重的基础上，通过两项关键创新对原始SAM架构进行了改进：

1. 高质量输出令牌：这是一个可学习的令牌，被注入到SAM的掩码解码器中，负责预测高质量的掩码。与SAM的原始输出令牌不同，这个令牌及其相关的MLP层经过专门训练，以生成高度准确的分割掩码。
2. 全局 - 局部特征融合：SAM - HQ不是仅在掩码解码器特征上应用高质量输出令牌，而是首先将这些特征与早期和最终的ViT特征进行融合，以改善掩码细节。这结合了高级语义上下文和低级边界信息，实现更准确的分割。

SAM - HQ在精心策划的44K细粒度掩码数据集（HQSeg - 44K）上进行训练，该数据集由多个来源的极其准确的注释编译而成。训练过程在8个GPU上仅需4小时，与原始SAM模型相比，引入的额外参数不到0.5%。

该模型在10个不同的分割数据集上进行了评估，涵盖了各种下游任务，其中8个数据集采用零样本迁移协议进行评估。结果表明，SAM - HQ在保持零样本泛化能力的同时，能够生成比原始SAM模型明显更好的掩码。

SAM - HQ解决了原始SAM模型的两个关键问题：

1. 掩码边界粗糙：在许多情况下，原始SAM模型生成的掩码边界粗糙，常常忽略薄对象结构。
2. 预测错误：在具有挑战性的情况下，原始SAM模型可能会出现错误预测、破碎掩码或较大误差。

这些改进使得SAM - HQ在需要高精度图像掩码的应用中特别有价值，例如自动注释和图像/视频编辑任务。

📄 许可证

本项目采用Apache - 2.0许可证。

📑 引用

@misc{ke2023segmenthighquality,
      title={Segment Anything in High Quality}, 
      author={Lei Ke and Mingqiao Ye and Martin Danelljan and Yifan Liu and Yu-Wing Tai and Chi-Keung Tang and Fisher Yu},
      year={2023},
      eprint={2306.01567},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2306.01567}, 
}