Mask2Former

Mask2Former 模型是在 Cityscapes 语义分割数据集上训练的（小型版本，使用了 Swin 骨干网络）。该模型在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中进行了介绍，并在 this repository 中首次发布。

免责声明：发布 Mask2Former 的团队未为该模型编写模型卡片，因此该模型卡片是由 Hugging Face 团队编写的。

模型描述

Mask2Former 模型采用了相同的范式来处理实例分割、语义分割和全景分割，通过预测一组相应的掩膜和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任务。Mask2Former 在性能和效率方面都优于之前的最优方法 MaskFormer ，它通过以下方式实现：（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）采用带有掩膜注意力的 Transformer 解码器以提高性能而不引入额外的计算量，并且（iii）通过对子采样点而不是整个掩膜进行损失计算来提高训练效率。

预期用途和限制

您可以使用此特定的检查点进行全景分割。请查看 model hub 以查找您感兴趣的其他任务上进行了微调的版本。

如何使用

以下是如何使用该模型的步骤：

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-small-cityscapes-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-small-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)

更多代码示例，请参考 documentation 。