MobileViTv2 + DeepLabv3 (shehan97/mobilevitv2-1.0-voc-deeplabv3)

MobileViTv2模型在512x512分辨率的PASCAL VOC数据集上进行了预训练。这个模型由Sachin Mehta和Mohammad Rastegari于 Separable Self-attention for Mobile Vision Transformers 年引入，并在 this 分支首次发布。使用的许可证是 Apple sample code license 。

免责声明：发布MobileViT的团队没有为此模型编写模型卡，因此此模型卡是由Hugging Face团队编写的。

模型描述

MobileViTv2通过用可分离自注意力替换MobileViT中的多头自注意力来构建。

这个存储库中的模型为MobileViT骨干添加了一个 DeepLabV3 头以用于语义分割。

预期用途和限制

您可以使用原始模型进行语义分割。查看 model hub 以寻找您感兴趣的任务的微调版本。

如何使用

如何使用此模型：

from transformers import MobileViTv2FeatureExtractor, MobileViTv2ForSemanticSegmentation
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

feature_extractor = MobileViTv2FeatureExtractor.from_pretrained("shehan97/mobilevitv2-1.0-voc-deeplabv3")
model = MobileViTv2ForSemanticSegmentation.from_pretrained("shehan97/mobilevitv2-1.0-voc-deeplabv3")

inputs = feature_extractor(images=image, return_tensors="pt")

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

predicted_mask = logits.argmax(1).squeeze(0)

目前，特征提取器和模型都支持PyTorch。

训练数据

MobileViT + DeepLabV3模型在 ImageNet-1k 上进行了预训练，这是由100万张图像和1000个类组成的数据集，然后在 PASCAL VOC2012 数据集上进行了微调。

BibTeX条目和引用信息

@inproceedings{vision-transformer,
title = {Separable Self-attention for Mobile Vision Transformers},
author = {Sachin Mehta and Mohammad Rastegari},
year = {2022},
URL = {https://arxiv.org/abs/2206.02680}
}