license: other
tags:

• vision
• image-segmentation
  datasets:
• coco
  widget:
• src: http://images.cocodataset.org/val2017/000000039769.jpg
  example_title: 猫咪
• src: http://images.cocodataset.org/val2017/000000039770.jpg
  example_title: 城堡

Mask2Former

基于Cityscapes语义分割数据集训练的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，并首次发布于此代码库。

免责声明：Mask2Former的研发团队未为此模型编写模型卡，故本模型卡由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作实例分割来处理。相较于前代SOTA模型MaskFormer，Mask2Former在性能和效率上均有提升，其改进包括：(i) 用更先进的多尺度可变形注意力Transformer替代像素解码器；(ii) 采用带掩码注意力的Transformer解码器，在不增加计算量的情况下提升性能；(iii) 通过在下采样点上计算损失而非整张掩码，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。访问模型中心可查找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  


# 加载在Cityscapes语义分割上微调的Mask2Former  
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)  

# 模型会预测形状为(batch_size, num_queries)的class_queries_logits  
# 以及形状为(batch_size, num_queries, height, width)的masks_queries_logits  
class_queries_logits = outputs.class_queries_logits  
masks_queries_logits = outputs.masks_queries_logits  

# 可将结果传入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）  

更多代码示例请参阅文档。