🚀 用于衣物分割的微调Segformer B2模型

本项目是基于SegFormer模型，在ATR数据集上进行微调，用于衣物分割，同时也可用于人体分割。Hugging Face上的数据集名为 "mattmdjaga/human_parsing_dataset"。

🚀 快速开始

安装依赖

确保你已经安装了必要的库，如transformers、PIL、requests、matplotlib和torch。

运行代码示例

from transformers import SegformerImageProcessor, AutoModelForSemanticSegmentation
from PIL import Image
import requests
import matplotlib.pyplot as plt
import torch.nn as nn

processor = SegformerImageProcessor.from_pretrained("mattmdjaga/segformer_b2_clothes")
model = AutoModelForSemanticSegmentation.from_pretrained("mattmdjaga/segformer_b2_clothes")

url = "https://plus.unsplash.com/premium_photo-1673210886161-bfcc40f54d1f?ixlib=rb-4.0.3&ixid=MnwxMjA3fDB8MHxzZWFyY2h8MXx8cGVyc29uJTIwc3RhbmRpbmd8ZW58MHx8MHx8&w=1000&q=80"

image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(images=image, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits.cpu()

upsampled_logits = nn.functional.interpolate(
    logits,
    size=image.size[::-1],
    mode="bilinear",
    align_corners=False,
)

pred_seg = upsampled_logits.argmax(dim=1)[0]
plt.imshow(pred_seg)

标签说明

• 0: "背景"
• 1: "帽子"
• 2: "头发"
• 3: "太阳镜"
• 4: "上装"
• 5: "裙子"
• 6: "裤子"
• 7: "连衣裙"
• 8: "腰带"
• 9: "左脚鞋"
• 10: "右脚鞋"
• 11: "脸部"
• 12: "左腿"
• 13: "右腿"
• 14: "左臂"
• 15: "右臂"
• 16: "包"
• 17: "围巾"

✨ 主要特性

• 多用途分割：不仅可以用于衣物分割，还能进行人体分割。
• 微调模型：基于SegFormer B2模型在特定数据集上进行微调，提高分割效果。

💻 使用示例

基础用法

上述代码示例展示了如何使用该模型进行衣物分割。你可以将代码中的图片链接替换为你自己的图片链接，即可对不同图片进行分割。

高级用法

你可以根据实际需求对模型进行进一步的调整，例如修改processor的参数，或者对输出的分割结果进行后处理。

📚 详细文档

评估指标

整体评估指标：

• 评估损失：0.15
• 平均准确率：0.80
• 平均IoU：0.69

训练代码

你可以在这里找到训练代码。

📄 许可证

该模型的许可证信息可以在这里找到。

📖 引用信息

@article{DBLP:journals/corr/abs-2105-15203,
  author    = {Enze Xie and
               Wenhai Wang and
               Zhiding Yu and
               Anima Anandkumar and
               Jose M. Alvarez and
               Ping Luo},
  title     = {SegFormer: Simple and Efficient Design for Semantic Segmentation with
               Transformers},
  journal   = {CoRR},
  volume    = {abs/2105.15203},
  year      = {2021},
  url       = {https://arxiv.org/abs/2105.15203},
  eprinttype = {arXiv},
  eprint    = {2105.15203},
  timestamp = {Wed, 02 Jun 2021 11:46:42 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2105-15203.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}