Mask2Former

Mask2Former模型是在Cityscapes全景分割（小型版本，Swin骨干）上进行训练的。该模型在 Masked-attention Mask Transformer for Universal Image Segmentation 论文中首次介绍并于 this repository 首次发布。

声明：发布Mask2Former的团队没有为该模型撰写模型卡片，因此本模型卡片由Hugging Face团队撰写。

模型描述

Mask2Former统一处理实例分割、语义分割和全景分割，采用相同的范式：预测一组掩膜和相应的标签。因此，将这3个任务都视为实例分割。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）采用具有掩膜注意力的Transformer解码器来提高性能而不引入额外的计算，（iii）通过计算子采样点上的损失而不是整个掩膜来提高训练效率，优于以往的最新结果 MaskFormer ，性能和效率都有所提升。

使用目的和限制

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

如何使用

使用该模型的方法如下：

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

更多代码示例，请参阅 documentation 。