Github
Huggingface
文档
论文项目介绍：mask2former-swin-large-coco-instance
背景和概述
mask2former-swin-large-coco-instance是一种用于图像分割的模型。该模型是在COCO实例分割数据集上进行训练的，采用了大型版本的Mask2Former，使用Swin Transformer作为骨干网络。该模型最早是在名为《Masked-attention Mask Transformer for Universal Image Segmentation》的论文中提出的，并且首次在一个开源的代码库中得到发布。
Mask2Former模型通过预测一组掩码及其对应的标签，以同样的方式处理实例、语义和全景分割任务。换句话说，这三种任务都被视作实例分割进行处理。相较于上一代的最先进技术MaskFormer，Mask2Former在性能和效率方面都有提升。这些改进具体体现在以下几点：用更先进的多尺度可变形注意力变换器代替像素解码器、采用带有掩码注意力的变换器解码器以在不增加额外计算量的前提下提升性能、通过对子采样点而不是整个掩码计算损失来提高训练效率。
使用场景与限制
mask2former-swin-large-coco-instance特别适用于实例分割任务。用户可以通过模型中心找到针对其他任务进行微调的版本，满足不同的需求。然而，使用此模型时，用户需要了解它是在COCO实例分割数据集上调整的，故在特定的场景下可能会有适应性的限制。
使用方法
以下是如何使用mask2former-swin-large-coco-instance模型的示例代码：
import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation
# 加载在COCO实例分割上微调的Mask2Former模型
processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-large-coco-instance")
model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-large-coco-instance")
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)
# 模型预测输出的类别查询逻辑和掩码查询逻辑分别为 (batch_size, num_queries) 和 (batch_size, num_queries, height, width) 形状
class_queries_logits = outputs.class_queries_logits
masks_queries_logits = outputs.masks_queries_logits
# 你可以将它们传给处理器进行后处理
result = processor.post_process_instance_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
# 详见Mask2Former文档的“资源”部分中的演示笔记本
predicted_instance_map = result["segmentation"]
有关更多的代码示例，请参阅文档。
通过这一简介，用户可以对mask2former-swin-large-coco-instance有一个清晰的了解，帮助用户应用并探索其在图像分割领域的强大能力。
