Mask2Former

Mask2Former模型基于Cityscapes语义分割训练（大尺寸版本，采用Swin骨干网络）。该模型在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中介绍，并于 this repository 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，因此该模型卡片由Hugging Face团队撰写。

模型描述

Mask2Former以相同范式处理实例分割、语义分割和全景分割：通过预测一组掩码和相应的标签来完成这三个任务。因此，所有三个任务都被视为实例分割。Mask2Former通过（i）用更先进的多尺度可变形注意力Transformer替换像素解码器，（ii）采用具有掩码注意力的Transformer解码器来提高性能而不引入额外计算量，并且（iii）通过计算子采样点上的损失而不是整个掩码来提高训练效率，优于以前的SOTA模型 MaskFormer ，无论在性能还是效率上。

意图和限制

您可以使用此特定检查点进行全景分割。请查看 model hub 以寻找您感兴趣的其他任务的微调版本。

如何使用

以下是使用此模型的方法：

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


# load Mask2Former fine-tuned on Cityscapes semantic segmentation
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)

# 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
predicted_semantic_map = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# we refer to the demo notebooks for visualization (see "Resources" section in the Mask2Former docs)

有关更多代码示例，请参考 documentation 。