许可证：其他
标签：

• 视觉
• 图像分割
  数据集：
• COCO
  微件示例：
• 图片链接：http://images.cocodataset.org/val2017/000000039769.jpg
  示例标题：猫咪
• 图片链接：http://images.cocodataset.org/val2017/000000039770.jpg
  示例标题：城堡

Mask2Former

基于Cityscapes语义分割任务训练的Mask2Former模型（大尺寸版本，Swin骨干网络）。该模型由论文Masked-attention Mask Transformer for Universal Image Segmentation提出，并首发于此代码库。

免责声明：Mask2Former研发团队未提供本模型的说明卡片，本文档由Hugging Face团队撰写。

模型描述

Mask2Former采用统一范式处理实例分割、语义分割和全景分割任务：通过预测一组掩码及对应标签，将三大任务统一为实例分割形式。相比前代SOTA模型MaskFormer，Mask2Former在性能和效率上均有提升，其创新在于：(i) 采用多尺度可变形注意力Transformer替代像素解码器；(ii) 引入掩码注意力机制的Transformer解码器以提升性能且不增加计算量；(iii) 通过子采样点计算损失而非整张掩码，显著提升训练效率。

适用范围与限制

该检查点适用于全景分割任务。访问模型中心可查看其他任务的微调版本。

使用方法

使用方式如下：

import requests  
import torch  
from PIL import Image  
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation  

# 加载Cityscapes语义分割微调模型  
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-cityscapes-semantic")  
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-cityscapes-semantic")  

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

with torch.no_grad():  
    outputs = model(**inputs)  

# 模型输出包含形状为(batch_size, num_queries)的类别logits  
# 以及形状为(batch_size, num_queries, height, width)的掩码logits  
class_queries_logits = outputs.class_queries_logits  
masks_queries_logits = outputs.masks_queries_logits  

# 可通过processor进行后处理  
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]  
# 可视化方法请参考Mask2Former文档的"资源"章节中的演示笔记  

更多代码示例详见官方文档。