Mask2Former

Mask2Former模型是基于Cityscapes全景分割训练的（基于IN21k版本，使用Swin骨干网络）。该模型在论文[ Masked-attention Mask Transformer for Universal Image Segmentation ](链接)中提出，并于[ this repository ](链接)首次发布。

免责声明：发布Mask2Former模型的团队未为该模型撰写模型卡片，因此本模型卡是由Hugging Face团队编写的。

模型描述

Mask2Former模型采用了相同的思路来处理实例分割、语义分割和全景分割，通过预测一组掩码和对应的标签来解决这三个任务。因此，所有三个任务都被视为实例分割。Mask2Former通过以下方式在性能和效率上优于之前的最优模型[ MaskFormer ](链接)：(i) 用更先进的多尺度可变形注意力Transformer替换了像素解码器，(ii) 采用Transformer解码器并使用掩码注意力来提升性能而不引入额外计算，(iii) 通过在子采样点上计算损失而不是整个掩码来提高训练效率。

预期用途与限制

您可以将该模型用于全景分割任务。如果您有其他感兴趣的任务，请查看[ model hub ](链接)以寻找其他经过微调的版本。

如何使用

以下是使用该模型的方法：

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


# load Mask2Former fine-tuned on Cityscapes panoptic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-base-IN21k-cityscapes-panoptic/")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-base-IN21k-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)

# model predicts class_queries_logits of shape `(batch_size, num_queries)`
# and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits

# you can pass them to processor for postprocessing
result = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)
predicted_panoptic_map = result["segmentation"]

对于更多代码示例，请参考[ documentation ](链接)。