Transformers documentation

EoMT

Transformers

Bắt đầu

Transformers Cài đặt Bắt đầu nhanh

Lớp cơ sở

Mô hình

Bộ tiền xử lý

Suy luận

Pipeline API

Tạo API

Tối ưu hóa

Trò chuyện với các model

Serving

Huấn luyện

Bắt đầu

Tùy chỉnh

Tinh chỉnh hiệu quả tham số

Hiệu năng

Huấn luyện phân tán

Phần cứng

Lượng tử hóa

Tích hợp hệ sinh thái

Tài nguyên

API

Các lớp chính

Mô hình

Mô hình văn bản

Mô hình thị giác

Mô hình âm thanh

Mô hình video

Mô hình đa phương thức

Mô hình học tăng cường

Mô hình chuỗi thời gian

Hàm trợ giúp nội bộ

Tham khảo

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Mô hình này được công bố trên HF papers vào ngày 2025-03-24 và được đóng góp cho Hugging Face Transformers vào ngày 2025-06-27.

EoMT

Tổng quan

Mô hình The Encoder-only Mask Transformer (EoMT) được giới thiệu trong bài báo nổi bật tại CVPR 2025 Your ViT is Secretly an Image Segmentation Model của Tommie Kerssies, Niccolò Cavagnero, Alexander Hermans, Narges Norouzi, Giuseppe Averta, Bastian Leibe, Gijs Dubbelman và Daan de Geus. EoMT cho thấy Vision Transformers có thể thực hiện phân đoạn ảnh một cách hiệu quả mà không cần các thành phần riêng cho từng tác vụ.

Tóm tắt từ bài báo như sau:

Vision Transformers (ViTs) đã thể hiện hiệu suất và khả năng mở rộng đáng kể trên nhiều tác vụ thị giác máy tính. Để áp dụng ViTs đơn tỷ lệ cho phân đoạn ảnh, các phương pháp hiện có sử dụng bộ thích ứng tích chập để tạo ra các đặc trưng đa tỷ lệ, một bộ giải mã pixel để kết hợp các đặc trưng này, và một bộ giải mã Transformer sử dụng các đặc trưng đã kết hợp để đưa ra dự đoán. Trong bài báo này, chúng tôi chỉ ra rằng các thiên kiến cảm ứng (inductive biases) do các thành phần đặc thù cho tác vụ này đưa vào có thể thay thế được bằng việc chính ViT tự học chúng, với điều kiện có các mô hình đủ lớn và quá trình tiền huấn luyện (pre-training) đủ rộng rãi. Dựa trên những phát hiện này, chúng tôi giới thiệu Encoder-only Mask Transformer (EoMT), tái sử dụng kiến trúc ViT thuần túy để thực hiện phân đoạn ảnh. Với các mô hình quy mô lớn và tiền huấn luyện, EoMT đạt được độ chính xác phân đoạn tương đương với các mô hình tiên tiến (state-of-the-art) sử dụng các thành phần đặc thù cho tác vụ. Đồng thời, EoMT nhanh hơn đáng kể so với các phương pháp này nhờ sự đơn giản về kiến trúc, ví dụ, nhanh hơn tới 4 lần với ViT-L. Trên một loạt các kích thước mô hình, EoMT thể hiện sự cân bằng tối ưu giữa độ chính xác phân đoạn và tốc độ dự đoán, cho thấy tài nguyên tính toán sẽ được sử dụng hiệu quả hơn nếu dùng để mở rộng chính ViT thay vì thêm độ phức tạp vào kiến trúc.

Mô hình này được đóng góp bởi Yaswanth Gali. Mã nguồn gốc có thể được tìm thấy tại đây.

Thông tin kiến trúc

Mô hình EoMT sử dụng Vision Transformer được huấn luyện trước bằng DINOv2 với register tokens làm backbone. EoMT đơn giản hóa quy trình phân đoạn bằng cách chỉ dựa vào encoder, loại bỏ nhu cầu về các decoder dành riêng cho tác vụ thường được sử dụng trong các phương pháp trước đó.

Về mặt kiến trúc, EoMT giới thiệu một tập hợp nhỏ các query học được và một module dự đoán mask nhẹ. Các query này được tiêm vào các khối encoder cuối cùng, cho phép chú ý liên hợp giữa các patch ảnh và các query đối tượng. Trong quá trình huấn luyện, chú ý có mask được áp dụng để ràng buộc mỗi query tập trung vào vùng tương ứng của nó—giống như mô phỏng cross-attention. Ràng buộc này được loại bỏ dần thông qua chiến lược ủ mask, cho phép suy luận hiệu quả, không cần decoder mà không làm giảm hiệu năng phân đoạn.

Mô hình hỗ trợ phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic bằng kiến trúc thống nhất và xử lý hậu kỳ riêng cho từng tác vụ.

Ví dụ sử dụng

Sử dụng bản triển khai EoMT của Hugging Face để suy luận với các mô hình đã được huấn luyện trước.

Phân đoạn ngữ nghĩa

Mô hình EoMT thực hiện phân đoạn ngữ nghĩa bằng suy luận cửa sổ trượt. Ảnh đầu vào được điều chỉnh kích thước sao cho cạnh ngắn khớp với kích thước đầu vào mục tiêu, sau đó được chia thành các vùng cắt chồng lấn. Mỗi vùng cắt sau đó được đưa qua mô hình. Sau khi suy luận, các logits dự đoán từ mỗi vùng cắt được ghép lại với nhau và điều chỉnh tỷ lệ về kích thước ảnh gốc để tạo ra mặt nạ phân đoạn cuối cùng.

Lưu ý:
Nếu bạn muốn sử dụng kích thước đích tùy chỉnh cho phân đoạn ngữ nghĩa, hãy chỉ định theo định dạng sau:
{"shortest_edge": 512}
Lưu ý rằng longest_edge không được cung cấp ở đây — đây là chủ đích. Đối với phân đoạn ngữ nghĩa, hình ảnh thường được thay đổi tỷ lệ sao cho cạnh ngắn nhất lớn hơn hoặc bằng kích thước đích do đó không cần đến longest_edge.

import matplotlib.pyplot as plt
import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, EomtForUniversalSegmentation


model_id = "tue-mps/ade20k_semantic_eomt_large_512"
processor = AutoImageProcessor.from_pretrained(model_id)
model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

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

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

with torch.inference_mode():
    outputs = model(**inputs)

# Prepare the original image size in the format (height, width)
target_sizes = [(image.height, image.width)]

# Post-process the model outputs to get final segmentation prediction
preds = processor.post_process_semantic_segmentation(
    outputs,
    target_sizes=target_sizes,
)

# Visualize the segmentation mask
plt.imshow(preds[0])
plt.axis("off")
plt.title("Semantic Segmentation")
plt.show()

Phân đoạn đối tượng

Mô hình EoMT thực hiện phân đoạn đối tượng (instance segmentation) bằng suy luận có đệm (padded inference). Ảnh đầu vào được thay đổi kích thước sao cho cạnh dài khớp với kích thước đầu vào mục tiêu, và cạnh ngắn được đệm bằng số 0 để tạo thành hình vuông. Mặt nạ (mask) và logits lớp kết quả được kết hợp thông qua xử lý hậu (post-processing, được điều chỉnh từ Mask2Former) để tạo ra bản đồ phân đoạn đối tượng thống nhất, cùng với các siêu dữ liệu phân đoạn như id phân đoạn, nhãn lớp và điểm tin cậy.

Lưu ý:
Để sử dụng kích thước đích tùy chỉnh, hãy chỉ định kích thước dưới dạng từ điển theo định dạng sau:
{"shortest_edge": 512, "longest_edge": 512}
Đối với cả phân đoạn instance và panoptic, các ảnh đầu vào sẽ được thay đổi tỷ lệ và đệm để đạt kích thước đích này.

import matplotlib.pyplot as plt
import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, EomtForUniversalSegmentation


model_id = "tue-mps/coco_instance_eomt_large_640"
processor = AutoImageProcessor.from_pretrained(model_id)
model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

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

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

with torch.inference_mode():
    outputs = model(**inputs)

# Prepare the original image size in the format (height, width)
target_sizes = [(image.height, image.width)]

# Post-process the model outputs to get final segmentation prediction
preds = processor.post_process_instance_segmentation(
    outputs,
    target_sizes=target_sizes,
)

# Visualize the segmentation mask
plt.imshow(preds[0]["segmentation"])
plt.axis("off")
plt.title("Instance Segmentation")
plt.show()

Phân đoạn toàn cảnh

Mô hình EoMT thực hiện phân đoạn toàn cảnh (panoptic segmentation) bằng cách sử dụng chiến lược suy luận có đệm (padded inference) giống như trong phân đoạn thực thể (instance segmentation). Sau khi đệm và chuẩn hóa, mô hình dự đoán cả các lớp thing (thực thể) và stuff (vùng vô định hình). Kết quả là các mask và logits lớp được kết hợp thông qua xử lý hậu (post-processing, được điều chỉnh từ Mask2Former) để tạo ra bản đồ phân đoạn toàn cảnh thống nhất, cùng với các siêu dữ liệu phân đoạn như id phân đoạn, nhãn lớp và điểm số độ tin cậy.

import matplotlib.pyplot as plt
import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, EomtForUniversalSegmentation


model_id = "tue-mps/coco_panoptic_eomt_large_640"
processor = AutoImageProcessor.from_pretrained(model_id)
model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

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

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

with torch.inference_mode():
    outputs = model(**inputs)

# Prepare the original image size in the format (height, width)
target_sizes = [(image.height, image.width)]

# Post-process the model outputs to get final segmentation prediction
preds = processor.post_process_panoptic_segmentation(
    outputs,
    target_sizes=target_sizes,
)

# Visualize the panoptic segmentation mask
plt.imshow(preds[0]["segmentation"])
plt.axis("off")
plt.title("Panoptic Segmentation")
plt.show()

EomtImageProcessor

lớp transformers.EomtImageProcessor

< source >

( **kwargs: *<class 'transformers.models.eomt.image_processing_eomt.EomtImageProcessorKwargs'> )

Tham số

do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là {'shortest_edge' -- 640, 'longest_edge': 640}): Mô tả kích thước đầu vào tối đa cho mô hình.
default_to_square (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là 2) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional, mặc định là 0.00392156862745098) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên chuẩn hóa hình ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.229, 0.224, 0.225]) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
do_split_image (bool, kwargs, optional, mặc định là self.do_split_image) — Có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành True, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước size["shortest_edge"] với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích.
ignore_index (int, kwargs, optional, mặc định là self.ignore_index) — Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng ignore_index.

Tạo một bộ xử lý ảnh EomtImageProcessor.

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]segmentation_maps: list[torch.Tensor] | None = Noneinstance_id_to_semantic_id: dict[int, int] | None = None**kwargs: *<class 'transformers.models.eomt.image_processing_eomt.EomtImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Tham số

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt do_rescale=False.
segmentation_maps (ImageInput, tùy chọn) — Các bản đồ phân đoạn cần tiền xử lý cho các hình ảnh tương ứng.
instance_id_to_semantic_id (list[dict[int, int]] hoặc dict[int, int], tùy chọn) — Bản ánh giữa các id instance của đối tượng và các id lớp.
do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình.
default_to_square (bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
do_split_image (bool, kwargs, optional, mặc định là self.do_split_image) — Có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành True, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước size["shortest_edge"] với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích.
ignore_index (int, kwargs, optional, mặc định là self.ignore_index) — Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng ignore_index.

Trả về

~image_processing_base.BatchFeature

data (dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.).
tensor_type (Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

post_process_semantic_segmentation

< source >

( outputstarget_sizes: listsize: dict[str, int] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]

Tham số

outputs (EomtForUniversalSegmentation) — Đầu ra thô của mô hình.
target_sizes (list[tuple[int, int]]) — Một danh sách các bộ ba (tuple[int, int]) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong batch.
size (dict[str, int], tùy chọn) — Kích thước mà các mask trung gian được nội suy. Mặc định là self.size.
return_segmentation_scores (bool, tùy chọn, mặc định là False) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi True, mỗi phần tử của danh sách được trả về là một SemanticSegmentationPostProcessorOutput với các trường segmentation (các ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)).

Trả về

list[torch.Tensor] hoặc list[SemanticSegmentationPostProcessorOutput]

Khi return_segmentation_scores=False (mặc định), kết quả là một danh sách có độ dài batch_size, trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng (height, width) chứa các ID lớp. Khi return_segmentation_scores=True, kết quả là một danh sách các SemanticSegmentationPostProcessorOutput với các trường segmentation (ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)). Trong cả hai trường hợp, (height, width) tương ứng với kích thước đích.

Chuyển đổi đầu ra của EomtForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa.

post_process_instance_segmentation

< source >

( outputstarget_sizes: listthreshold: float = 0.8size: dict[str, int] | None = None )

Xử lý hậu kỳ các đầu ra của mô hình thành Dự đoán Phân đoạn Thực thể.

post_process_panoptic_segmentation

< source >

( outputstarget_sizes: listthreshold: float = 0.8mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8stuff_classes: list[int] | None = Nonesize: dict[str, int] | None = None )

Xử lý hậu kỳ các đầu ra của mô hình thành dự đoán phân đoạn toàn cảnh cuối cùng.

EomtImageProcessorPil

lớp transformers.EomtImageProcessorPil

< source >

( **kwargs: *<class 'transformers.models.eomt.image_processing_pil_eomt.EomtImageProcessorKwargs'> )

Tham số

do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là {'shortest_edge' -- 640, 'longest_edge': 640}): Mô tả kích thước đầu vào tối đa cho mô hình.
default_to_square (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là 2) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional, mặc định là 0.00392156862745098) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, tuỳ chọn, mặc định là True) — Có nên chuẩn hóa hình ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.485, 0.456, 0.406]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là [0.229, 0.224, 0.225]) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, tuỳ chọn, mặc định là False) — Có nên đệm (pad) ảnh hay không. Việc đệm được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược đệm cụ thể phụ thuộc vào mô hình.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
do_split_image (bool, kwargs, optional, mặc định là self.do_split_image) — Có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành True, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước size["shortest_edge"] với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích.
ignore_index (int, kwargs, optional, mặc định là self.ignore_index) — Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng ignore_index.

Tạo một bộ xử lý ảnh EomtImageProcessor.

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]segmentation_maps: list[torch.Tensor] | None = Noneinstance_id_to_semantic_id: dict[int, int] | None = None**kwargs: *<class 'transformers.models.eomt.image_processing_pil_eomt.EomtImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Tham số

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt do_rescale=False.
segmentation_maps (ImageInput, tùy chọn) — Các bản đồ phân đoạn cần tiền xử lý cho các hình ảnh tương ứng.
instance_id_to_semantic_id (list[dict[int, int]] hoặc dict[int, int], tùy chọn) — Bản ánh giữa các id instance của đối tượng và các id lớp.
do_convert_rgb (bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không.
do_resize (bool, kwargs, optional) — Có nên thay đổi kích thước ảnh hay không.
size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Mô tả các kích thước đầu vào tối đa của mô hình.
default_to_square (bool, kwargs, tuỳ chọn) — Có mặc định thành ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.
crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước của ảnh đầu ra sau khi áp dụng center_crop.
resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của PILImageResampling. Chỉ có hiệu lực khi do_resize được đặt thành True.
do_rescale (bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không.
rescale_factor (float, kwargs, optional) — Hệ số rescale để rescale ảnh nếu do_rescale được đặt thành True.
do_normalize (bool, kwargs, optional) — Có nên chuẩn hóa ảnh hay không.
image_mean (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
image_std (Union[float, list[float], tuple[float, ...]], kwargs, optional) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu do_normalize được đặt thành True.
do_pad (bool, kwargs, optional) — Có nên chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.
pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Kích thước ở dạng {"height": int, "width" int} để đệm cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấp pad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khi do_pad=True.
do_center_crop (bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không.
data_format (Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợ ChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm.
input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị:
- "channels_first" hoặc ChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width).
- "channels_last" hoặc ChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels).
- "none" hoặc ChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.
return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Trả về các tensor được xếp chồng nếu được đặt thành 'pt', ngược lại trả về một danh sách các tensor.
disable_grouping (bool, kwargs, tuỳ chọn) — Có nên vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157
image_seq_length (int, kwargs, optional) — Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.
do_split_image (bool, kwargs, optional, mặc định là self.do_split_image) — Có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành True, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước size["shortest_edge"] với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích.
ignore_index (int, kwargs, optional, mặc định là self.ignore_index) — Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng ignore_index.

Trả về

~image_processing_base.BatchFeature

data (dict) — Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức call (‘pixel_values’, v.v.).
tensor_type (Union[None, str, TensorType], tùy chọn) — Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

post_process_semantic_segmentation

< source >

( outputstarget_sizes: listsize: dict[str, int] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]

Tham số

outputs (EomtForUniversalSegmentation) — Đầu ra thô của mô hình.
target_sizes (list[tuple[int, int]]) — Một danh sách các bộ ba (tuple[int, int]) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong batch.
size (dict[str, int], tùy chọn) — Kích thước mà các mask trung gian được nội suy. Mặc định là self.size.
return_segmentation_scores (bool, tùy chọn, mặc định là False) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi True, mỗi phần tử của danh sách được trả về là một SemanticSegmentationPostProcessorOutput với các trường segmentation (các ID lớp, hình dạng (height, width)) và segmentation_scores (hình dạng (num_classes, height, width)).

Trả về

list[torch.Tensor] hoặc list[SemanticSegmentationPostProcessorOutput]

Chuyển đổi đầu ra của EomtForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa.

post_process_instance_segmentation

< source >

( outputstarget_sizes: listthreshold: float = 0.8size: dict[str, int] | None = None )

Xử lý hậu kỳ các đầu ra của mô hình thành Dự đoán Phân đoạn Thực thể.

post_process_panoptic_segmentation

< source >

( outputstarget_sizes: listthreshold: float = 0.8mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8stuff_classes: list[int] | None = Nonesize: dict[str, int] | None = None )

Xử lý hậu kỳ các đầu ra của mô hình thành dự đoán phân đoạn toàn cảnh cuối cùng.

EomtConfig

lớp transformers.EomtConfig

< source >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 1024num_hidden_layers: int = 24num_attention_heads: int = 16hidden_act: str = 'gelu'hidden_dropout_prob: float | int = 0.0initializer_range: float = 0.02layer_norm_eps: float = 1e-06image_size: int | list[int] | tuple[int, int] = 640patch_size: int | list[int] | tuple[int, int] = 16num_channels: int = 3mlp_ratio: int = 4layerscale_value: float = 1.0drop_path_rate: float | int = 0.0num_upscale_blocks: int = 2attention_dropout: float | int = 0.0use_swiglu_ffn: bool = Falsenum_blocks: int = 4no_object_weight: float = 0.1class_weight: float = 2.0mask_weight: float = 5.0dice_weight: float = 5.0train_num_points: int = 12544oversample_ratio: float = 3.0importance_sample_ratio: float = 0.75num_queries: int = 200num_register_tokens: int = 4 )

Tham số

hidden_size (int, tùy chọn, mặc định là 1024) — Kích thước của các biểu diễn ẩn.
num_hidden_layers (int, tùy chọn, mặc định là 24) — Số lượng lớp ẩn trong bộ giải mã Transformer.
num_attention_heads (int, tùy chọn, mặc định là 16) — Số lượng đầu attention cho mỗi lớp attention trong bộ giải mã Transformer.
hidden_act (str, tùy chọn, mặc định là gelu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, "gelu", "relu", "silu", v.v.
hidden_dropout_prob (Union[float, int], tùy chọn, mặc định là 0.0) — Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler.
initializer_range (float, tùy chọn, mặc định là 0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
layer_norm_eps (float, tùy chọn, mặc định là 1e-06) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).
image_size (Union[int, list[int], tuple[int, int]], tùy chọn, mặc định là 640) — Kích thước (độ phân giải) của mỗi hình ảnh.
patch_size (Union[int, list[int], tuple[int, int]], tùy chọn, mặc định là 16) — Kích thước (độ phân giải) của mỗi patch.
num_channels (int, tùy chọn, mặc định là 3) — Số lượng kênh đầu vào.
mlp_ratio (int, tùy chọn, mặc định là 4) — Tỷ lệ giữa chiều ẩn của MLP và chiều nhúng.
layerscale_value (float, tùy chọn, mặc định là 1.0) — Giá trị ban đầu cho tham số LayerScale.
drop_path_rate (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ drop path cho việc hợp nhất patch.
num_upscale_blocks (int, tùy chọn, mặc định là 2) — Số lượng khối lấy mẫu lên (upsampling) được sử dụng trong bộ giải mã (decoder) hoặc đầu phân đoạn (segmentation head).
attention_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các xác suất chú ý.
use_swiglu_ffn (bool, tùy chọn, mặc định là False) — Có sử dụng mạng nơ-ron tiền xử lý SwiGLU hay không.
num_blocks (int, tùy chọn, mặc định là 4) — Số lượng khối đặc trưng hoặc giai đoạn trong kiến trúc.
no_object_weight (float, tùy chọn, mặc định là 0.1) — Trọng số loss cho lớp ‘no object’ trong phân đoạn panoptic/instance.
class_weight (float, tùy chọn, mặc định là 2.0) — Trọng số loss cho các mục tiêu phân loại.
mask_weight (float, tùy chọn, mặc định là 5.0) — Trọng số loss cho dự đoán mask.
dice_weight (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của dice loss trong panoptic segmentation loss.
train_num_points (int, tùy chọn, mặc định là 12544) — Số lượng điểm được lấy mẫu để tính toán tổn thất mặt nạ trong quá trình huấn luyện.
oversample_ratio (float, tùy chọn, mặc định là 3.0) — Tỷ lệ lấy mẫu dư (oversampling) được sử dụng trong việc lấy mẫu điểm cho quá trình huấn luyện mask.
importance_sample_ratio (float, tùy chọn, mặc định là 0.75) — Tỷ lệ các điểm được lấy mẫu dựa trên độ quan trọng trong quá trình huấn luyện.
num_queries (int, tùy chọn, mặc định là 200) — Số lượng truy vấn đối tượng trong Transformer.
num_register_tokens (int, tùy chọn, mặc định là 4) — Số lượng token register có thể học được thêm vào đầu vào của transformer.

Đây là lớp cấu hình để lưu trữ cấu hình của một EomtModel. Nó được sử dụng để khởi tạo một mô hình Eomt theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của tue-mps/coco_panoptic_eomt_large_640

Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.

Ví dụ:

>>> from transformers import EomtConfig, EomtForUniversalSegmentation

>>> # Initialize configuration
>>> config = EomtConfig()

>>> # Initialize model
>>> model = EomtForUniversalSegmentation(config)

>>> # Access config
>>> config = model.config

EomtForUniversalSegmentation

lớp transformers.EomtForUniversalSegmentation

< source >

( config: EomtConfig )

Tham số

config (EomtConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.

Mô hình EoMT có đầu (head) ở trên cùng cho phân đoạn instance/semantic/panoptic.

Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)

Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

forward

< source >

( pixel_values: Tensormask_labels: list[torch.Tensor] | None = Noneclass_labels: list[torch.Tensor] | None = Nonepatch_offsets: list[torch.Tensor] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EomtForUniversalSegmentationOutput or tuple(torch.Tensor)

Tham số

pixel_values (torch.Tensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng EomtImageProcessor. Xem EomtImageProcessor.call() để biết chi tiết (processor_class sử dụng EomtImageProcessor để xử lý hình ảnh).
mask_labels (list[torch.Tensor], tùy chọn) — danh sách nhãn mask có hình dạng (num_labels, height, width) để đưa vào mô hình
class_labels (list[torch.LongTensor], tùy chọn) — danh sách các nhãn lớp đích có hình dạng (num_labels, height, width) để đưa vào mô hình. Chúng xác định các nhãn của mask_labels, ví dụ nhãn của mask_labels[i][j] nếu class_labels[i][j].
patch_offsets (list[torch.Tensor], tùy chọn) — danh sách các bộ ba chỉ định chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.

Trả về

EomtForUniversalSegmentationOutput hoặc tuple(torch.Tensor)

Một EomtForUniversalSegmentationOutput hoặc một tuple của torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (EomtConfig) và đầu vào.

Phương thức forward của EomtForUniversalSegmentation ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của Module sau đó thay vì gọi hàm này, vì instance Module sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.

loss (torch.Tensor, optional) — Mất được tính toán, được trả về khi có nhãn.
class_queries_logits (torch.Tensor, optional) — Một tensor có hình dạng (batch_size, num_queries, num_labels + 1) đại diện cho các lớp được đề xuất cho mỗi query. Lưu ý rằng + 1 là cần thiết vì chúng ta tích hợp lớp null.
masks_queries_logits (torch.Tensor, tuỳ chọn) — Một tensor có hình dạng (batch_size, num_queries, height, width) đại diện cho các mask được đề xuất cho mỗi query.
last_hidden_state (torch.Tensor có hình dạng (batch_size, num_channels, height, width)) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của lớp cuối.
hidden_states (tuple(torch.Tensor), tuỳ chọn, được trả về khi truyền output_hidden_states=True hoặc khi config.output_hidden_states=True) — Tuple của torch.Tensor (một cho đầu ra của embeddings + một cho đầu ra của mỗi stage) có shape (batch_size, sequence_length, hidden_size). Hidden-states của tất cả các lớp trong mô hình.
attentions (tuple(tuple(torch.Tensor)), tuỳ chọn, được trả về khi truyền output_attentions=True hoặc khi config.output_attentions=True) — Tuple của tuple(torch.Tensor) (một cho mỗi lớp) có hình dạng (batch_size, num_heads, sequence_length, sequence_length). Trọng số Self và Cross Attentions từ transformer decoder.
patch_offsets (list[torch.Tensor], tuỳ chọn) — danh sách các bộ ba chỉ ra chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.

Update on GitHub

←EfficientNet EoMT-DINOv3→