Segment Anything Model (SAM) - ViT Large (ViT-L)版本的模型卡片

Segment Anything Model (SAM)的详细架构。

目录

TL;DR

Link to original repository

Segment Anything模型（SAM）可以根据输入的提示（如点或框）生成高质量的对象掩码，并可用于生成图像中所有对象的掩码。它已在1100万图像和110亿个掩码的数据集上进行了训练，并且在各种分割任务上具有较强的零样本性能。论文的摘要如下：

我们引入了Segment Anything（SA）项目: 一项新的图像分割任务、模型和数据集。使用我们的高效模型在数据收集循环中，我们构建了迄今为止最大的分割数据集，其中包含1100万受许可且尊重隐私的图像上的超过10亿个掩码。该模型经过设计和训练，可以根据提示进行转移学习，适应新的图像分布和任务。我们评估了它在许多任务上的能力，并发现它的零样本性能令人印象深刻，往往与之前的全监督结果相当甚至更好。为了促进计算机视觉基础模型的研究，我们发布了Segment Anything模型（SAM）和相应的数据集（SA-1B），其中包含10亿个掩码和1100万张图像，网址为 https://segment-anything.com 。

免责声明: 该模型卡片的内容由Hugging Face团队撰写，并且其中的部分内容来自原始 SAM model card 。

模型细节

SAM模型由3个模块组成:

• VisionEncoder: 基于VIT的图像编码器。它使用图像的补丁进行注意力计算以获得图像嵌入。使用相对位置嵌入。
• PromptEncoder: 为点和边界框生成嵌入。
• MaskDecoder: 双向Transformer，它在图像嵌入和点嵌入之间进行交叉注意力计算，并输出。
• Neck: 根据MaskDecoder产生的上下文掩码预测输出掩码。

使用方法

提示掩码生成

from PIL import Image
import requests
from transformers import SamModel, SamProcessor

model = SamModel.from_pretrained("facebook/sam-vit-large")
processor = SamProcessor.from_pretrained("facebook/sam-vit-large")

img_url = "https://huggingface.co/ybelkada/segment-anything/resolve/main/assets/car.png"
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert("RGB")
input_points = [[[450, 600]]] # 2D localization of a window

inputs = processor(raw_image, input_points=input_points, return_tensors="pt").to("cuda")
outputs = model(**inputs)
masks = processor.image_processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"].cpu(), inputs["reshaped_input_sizes"].cpu())
scores = outputs.iou_scores

除了生成掩码的其他参数，您还可以传递对象感兴趣区域的二维位置、包围对象感兴趣区域的边界框（格式应为边界框的右上和左下点的x、y坐标）和分割掩码。根据 the official repository 的官方模型，目前尚不支持传入文本作为输入。更多细节，请参考这个笔记本，其中展示了如何使用模型的步骤以及一个视觉示例！

自动掩码生成

该模型可以用于以“零样本”方式生成分割掩码，给定输入图像。模型会自动使用1024个点的网格进行提示。

该流程用于自动生成掩码。以下代码片段演示了如何简单地运行它（在任何设备上运行！只需提供适当的points_per_batch参数）

from transformers import pipeline
generator =  pipeline("mask-generation", device = 0, points_per_batch = 256)
image_url = "https://huggingface.co/ybelkada/segment-anything/resolve/main/assets/car.png"
outputs = generator(image_url, points_per_batch = 256)

现在来显示图片：

import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

def show_mask(mask, ax, random_color=False):
    if random_color:
        color = np.concatenate([np.random.random(3), np.array([0.6])], axis=0)
    else:
        color = np.array([30 / 255, 144 / 255, 255 / 255, 0.6])
    h, w = mask.shape[-2:]
    mask_image = mask.reshape(h, w, 1) * color.reshape(1, 1, -1)
    ax.imshow(mask_image)
    

plt.imshow(np.array(raw_image))
ax = plt.gca()
for mask in outputs["masks"]:
    show_mask(mask, ax=ax, random_color=True)
plt.axis("off")
plt.show()

引用

如果您使用了这个模型，请使用以下BibTeX条目进行引用。

@article{kirillov2023segany,
  title={Segment Anything},
  author={Kirillov, Alexander and Mintun, Eric and Ravi, Nikhila and Mao, Hanzi and Rolland, Chloe and Gustafson, Laura and Xiao, Tete and Whitehead, Spencer and Berg, Alexander C. and Lo, Wan-Yen and Doll{\'a}r, Piotr and Girshick, Ross},
  journal={arXiv:2304.02643},
  year={2023}
}