许可协议: 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模型

基于Swin骨干网络的大规模版本，在ADE20k语义分割数据集上训练的Mask2Former模型。该模型由论文《Masked-attention Mask Transformer for Universal Image Segmentation》(https://arxiv.org/abs/2112.01527)提出，并首次发布于这个代码库(https://github.com/facebookresearch/Mask2Former/)。

免责声明：Mask2Former研发团队未提供本模型的说明卡片，当前内容由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。因此所有三类任务都被视为实例分割来处理。相比前代SOTA模型MaskFormer(https://arxiv.org/abs/2107.06278)，Mask2Former在性能和效率上均有提升：(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解码器以提升性能而不增加计算量；(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

该特定检查点可用于全景分割任务。访问模型中心(https://huggingface.co/models?search=mask2former)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ADE20k语义分割微调模型
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-ade-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-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"章节演示笔记

更多代码示例详见官方文档(https://huggingface.co/docs/transformers/master/en/model_doc/mask2former)。