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全景分割任务训练的大规模版本Mask2Former模型（采用Swin骨干网络）。该模型由论文《Masked-attention Mask Transformer for Universal Image Segmentation》提出，并首发于此代码库。

免责声明：Mask2Former发布团队未编写本模型卡片，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，将三大任务统一视为实例分割问题。相比前代SOTA模型MaskFormer，本模型在性能和效率上均有突破：(1) 采用多尺度可变形注意力Transformer升级像素解码器；(2) 引入掩码注意力机制的Transformer解码器以提升性能且不增加计算量；(3) 通过子采样点计算损失值显著提升训练效率。

适用范围与限制

本特定检查点适用于全景分割任务。访问模型中心可查询其他任务的微调版本。

使用方法

调用方式如下：

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

# 加载Cityscapes全景分割微调模型
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-cityscapes-panoptic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-cityscapes-panoptic")

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)

# 模型输出形状说明：
# class_queries_logits: (batch_size, num_queries)
# masks_queries_logits: (batch_size, num_queries, height, width)
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# 可通过processor进行后处理
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 可视化方法详见Mask2Former文档"资源"章节的演示笔记
predicted_panoptic_map = result["segmentation"]

更多代码示例请参阅官方文档。