许可证: 其他 标签:

• 视觉
• 图像分割 数据集:
• coco 小部件:
• 图片: http://images.cocodataset.org/val2017/000000039769.jpg 示例标题: 猫咪
• 图片: http://images.cocodataset.org/val2017/000000039770.jpg 示例标题: 城堡

Mask2Former

基于ADE20k语义分割训练的Mask2Former模型（基础-IN21k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：发布Mask2Former的团队未为此模型编写模型卡片，故本卡片由Hugging Face团队撰写。

模型描述

Mask2Former以统一的方式处理实例分割、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处理。相比前代SOTA模型MaskFormer，Mask2Former在性能和效率上均有提升，具体通过：(i) 采用更先进的多尺度可变形注意力Transformer替代像素解码器，(ii) 引入带掩码注意力的Transformer解码器以在不增加计算量的情况下提升性能，(iii) 通过采样点计算损失而非整张掩码来提升训练效率。

预期用途与限制

该特定检查点可用于全景分割任务。访问模型中心可查看其他针对特定任务微调的版本。

使用方法

使用方式如下：

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

# 加载基于ADE20k语义分割微调的Mask2Former
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-base-IN21k-ade-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-base-IN21k-ade-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)

# 模型预测形状为(batch_size, num_queries)的class_queries_logits
# 和形状为(batch_size, num_queries, height, width)的masks_queries_logits
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# 可传递给processor进行后处理
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 可视化请参考Mask2Former文档中的"资源"部分提供的演示笔记

更多代码示例详见文档。