许可证: mit 标签:

• 视觉
• 图像分割 数据集:
• huggan/cityscapes 小部件:
• 来源: https://huggingface.co/datasets/shi-labs/oneformer_demo/blob/main/cityscapes.png 示例标题: 城市景观

OneFormer

基于Cityscapes数据集训练的大型Dinat骨干OneFormer模型。该模型由Jain等人在论文OneFormer: 统一图像分割的单一Transformer中提出，并首次发布于此代码库。

模型描述

OneFormer是首个多任务通用图像分割框架。仅需通过单一通用架构、单一模型和单一数据集训练一次，即可在语义分割、实例分割和全景分割任务上超越现有专用模型。OneFormer采用任务令牌机制，使模型能根据当前任务进行条件化处理，实现训练时的任务引导和推理时的任务动态调整，所有功能均由单一模型完成。

使用场景与限制

该检查点可用于语义分割、实例分割和全景分割任务。访问模型中心可查看基于其他数据集微调的版本。

使用方法

使用方式如下：

from transformers import OneFormerProcessor, OneFormerForUniversalSegmentation
from PIL import Image
import requests
url = "https://huggingface.co/datasets/shi-labs/oneformer_demo/blob/main/cityscapes.png"
image = Image.open(requests.get(url, stream=True).raw)

# 加载适用于所有三项任务的单一模型
processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_cityscapes_dinat_large")
model = OneFormerForUniversalSegmentation.from_pretrained("shi-labs/oneformer_cityscapes_dinat_large")

# 语义分割
semantic_inputs = processor(images=image, task_inputs=["semantic"], return_tensors="pt")
semantic_outputs = model(**semantic_inputs)
# 通过图像处理器进行后处理
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]

# 实例分割
instance_inputs = processor(images=image, task_inputs=["instance"], return_tensors="pt")
instance_outputs = model(**instance_inputs)
# 通过图像处理器进行后处理
predicted_instance_map = processor.post_process_instance_segmentation(outputs, target_sizes=[image.size[::-1]])[0]["segmentation"]

# 全景分割
panoptic_inputs = processor(images=image, task_inputs=["panoptic"], return_tensors="pt")
panoptic_outputs = model(**panoptic_inputs)
# 通过图像处理器进行后处理
predicted_semantic_map = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]["segmentation"]

更多示例请参阅文档。

引用文献

@article{jain2022oneformer,
      title={{OneFormer: 统一图像分割的单一Transformer}},
      author={Jitesh Jain and Jiachen Li and MangTik Chiu and Ali Hassani and Nikita Orlov and Humphrey Shi},
      journal={arXiv}, 
      year={2022}
    }