许可协议: 其他
标签:

• 视觉
• 图像分割

数据集:

• COCO

示例部件:

• 图片源: http://images.cocodataset.org/val2017/000000039769.jpg
  示例标题: 猫咪
• 图片源: 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（小型版本，Swin骨干网络）。该模型由论文Masked-attention Mask Transformer for Universal Image Segmentation提出，并首次发布于此代码库。

免责声明：Mask2Former的研发团队未提供此模型的介绍卡片，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其对应标签。因此，所有三项任务均被视为实例分割来处理。相较于前代SOTA模型MaskFormer，Mask2Former在性能和效率上均有提升，其创新在于：(1) 采用更先进的多尺度可变形注意力Transformer替代像素解码器；(2) 引入带掩码注意力的Transformer解码器，在不增加计算量的情况下提升性能；(3) 通过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

该检查点可用于全景分割任务。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-small-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-small-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)的类别查询logits
# 以及形状为(batch_size, num_queries, height, width)的掩码查询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文档中的"资源"章节

更多代码示例详见官方文档。