Mask2Former

Mask2Former模型在Cityscapes全景分割上进行训练（迷你版本，采用Swin骨干）。该模型在论文 Masked-attention Mask Transformer for Universal Image Segmentation 中进行了介绍，并于 this repository 首次发布。

免责声明：发布Mask2Former的团队没有为这个模型撰写模型卡片，因此这个模型卡片是由Hugging Face团队撰写的。

模型描述

Mask2Former通过预测一组掩模和对应的标签来处理实例、语义和全景分割，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）采用具有掩码注意力的Transformer解码器，在不引入额外计算的情况下提高性能，并（iii）通过在子采样点上计算损失而不是整个掩模来提高训练效率，从而优于先前的SOTA模型 MaskFormer ，无论在性能还是效率方面。

预期用途和限制

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的其他经过微调的版本。

如何使用

这是如何使用该模型的方法：

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

关于更多代码示例，我们参考 documentation 。