Mask2Former

在ADE20k语义分割数据集上训练的Mask2Former模型（tiny版本，使用了Swin骨干网络）。该模型在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中提出，并于 this repository 首次发布。

声明：发布Mask2Former模型的团队没有为此模型编写模型卡片，因此这份模型卡片是由Hugging Face团队撰写的。

模型描述

Mask2Former采用了同一个范例来处理实例分割、语义分割和全景分割：通过预测一组掩码和相应的标签。因此，这三个任务被视为实例分割。Mask2Former通过以下方式在性能和效率方面优于之前的最优方法 MaskFormer ：(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，以提升性能而不引入额外的计算；(iii) 改进训练效率，通过对子采样点而不是整个掩码进行损失计算。

预期用途和限制

您可以使用这个特定的检查点进行全景分割。请查看 model hub 以寻找您感兴趣任务的其他微调版本。

使用方法

以下是如何使用这个模型的方法：

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


# load Mask2Former fine-tuned on ADE20k semantic segmentation
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-tiny-ade-semantic")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-tiny-ade-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，请参阅 documentation 。