Transformers documentation
Mask2Former
Mô hình này được công bố trên HF papers vào ngày 2021-12-02 và được đóng góp cho Hugging Face Transformers vào ngày 2023-01-16.
Mask2Former
Tổng quan
Mô hình Mask2Former được đề xuất trong Masked-attention Mask Transformer for Universal Image Segmentation bởi Bowen Cheng, Ishan Misra, Alexander G. Schwing, Alexander Kirillov, Rohit Girdhar. Mask2Former là một khung thống nhất cho phân đoạn toàn cảnh, phân đoạn thực thể và phân đoạn ngữ nghĩa, với những cải thiện đáng kể về hiệu suất và hiệu quả so với MaskFormer.
Tóm tắt từ bài báo như sau:
Phân đoạn ảnh nhóm các pixel có ngữ nghĩa khác nhau, ví dụ như thành viên của một danh mục hoặc một instance. Mỗi lựa chọn ngữ nghĩa xác định một tác vụ. Mặc dù chỉ ngữ nghĩa của từng tác vụ là khác nhau, nghiên cứu hiện tại vẫn tập trung vào việc thiết kế các kiến trúc chuyên biệt cho từng tác vụ. Chúng tôi giới thiệu Masked-attention Mask Transformer (Mask2Former), một kiến trúc mới có khả năng xử lý bất kỳ tác vụ phân đoạn ảnh nào (panoptic, instance hoặc semantic). Các thành phần chính của nó bao gồm masked attention, trích xuất các đặc trưng cục bộ bằng cách ràng buộc cross-attention trong các vùng mask được dự đoán. Ngoài việc giảm nỗ lực nghiên cứu ít nhất ba lần, nó còn vượt trội hơn đáng kể so với các kiến trúc chuyên biệt tốt nhất trên bốn bộ dữ liệu phổ biến. Đáng chú ý nhất, Mask2Former thiết lập mức state-of-the-art mới cho phân đoạn panoptic (57.8 PQ trên COCO), phân đoạn instance (50.1 AP trên COCO) và phân đoạn semantic (57.7 mIoU trên ADE20K).
Mask2Former architecture. Taken from the original paper. Mô hình này được đóng góp bởi Shivalika Singh và Alara Dirik. Mã gốc có thể được tìm thấy tại đây.
Mẹo sử dụng
- Mask2Former sử dụng các bước tiền xử lý và hậu xử lý giống như MaskFormer. Hãy dùng Mask2FormerImageProcessor hoặc AutoImageProcessor để chuẩn bị hình ảnh và các mục tiêu tùy chọn cho mô hình.
- Để lấy kết quả phân đoạn cuối cùng, tùy thuộc vào tác vụ, bạn có thể gọi post_process_semantic_segmentation() hoặc post_process_instance_segmentation() hoặc post_process_panoptic_segmentation(). Cả ba tác vụ đều có thể được giải quyết bằng đầu ra của Mask2FormerForUniversalSegmentation, trong đó phân đoạn panoptic chấp nhận một đối số tùy chọn
label_ids_to_fuseđể gộp các instance của đối tượng đích (ví dụ: bầu trời) lại với nhau.
Tài nguyên
Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với Mask2Former.
- Các notebook demo về suy luận + tinh chỉnh Mask2Former trên dữ liệu tùy chỉnh có thể được tìm thấy tại đây.
Nếu bạn quan tâm đến việc gửi một tài nguyên để được đưa vào đây, hãy thoải mái mở một Pull Request và chúng tôi sẽ xem xét. Tài nguyên lý tưởng nên minh họa một điều gì đó mới thay vì sao chép một tài nguyên hiện có.
Mask2FormerConfig
lớp transformers.Mask2FormerConfig
< 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 = Nonebackbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonefeature_size: int = 256mask_feature_size: int = 256hidden_dim: int = 256encoder_feedforward_dim: int = 1024activation_function: str = 'relu'encoder_layers: int = 6decoder_layers: int = 10num_attention_heads: int = 8dropout: float | int = 0.0dim_feedforward: int = 2048pre_norm: bool = Falseenforce_input_projection: bool = Falsecommon_stride: int = 4ignore_value: int = 255num_queries: int = 100no_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 = 0.75init_std: float = 0.02init_xavier_std: float = 1.0use_auxiliary_loss: bool = Truefeature_strides: list[int] | tuple[int, ...] = (4, 8, 16, 32)output_auxiliary_logits: bool | None = None )
Tham số
- backbone_config (
Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone. - feature_size (
int, tùy chọn, mặc định là 256) — Các đặc trưng (kênh) của các bản đồ đặc trưng kết quả. - mask_feature_size (
int, tùy chọn, mặc định là 256) — Kích thước đặc trưng của các mask, giá trị này cũng sẽ được dùng để chỉ định kích thước đặc trưng của Feature Pyramid Network. - hidden_dim (
int, tùy chọn, mặc định là256) — Kích thước của các biểu diễn ẩn. - encoder_feedforward_dim (
int, tùy chọn, mặc định là 1024) — Kích thước của mạng feedforward cho encoder của deformable detr được sử dụng như một phần của pixel decoder. - activation_function (
str, tùy chọn, mặc định làrelu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ,"gelu","relu","silu", v.v. - encoder_layers (
int, tùy chọn, mặc định là6) — Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống vớinum_layers. - decoder_layers (
int, tùy chọn, mặc định là10) — Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống vớinum_layers. - num_attention_heads (
int, tùy chọn, mặc định là8) — Số lượng đầu attention cho mỗi lớp attention trong bộ giải mã Transformer. - dropout (
Union[float, int], tùy chọn, mặc định là0.0) — Tỷ lệ cho tất cả các lớp dropout. - dim_feedforward (
int, tùy chọn, mặc định là 2048) — Kích thước đặc trưng trong mạng feedforward của bộ giải mã transformer. - pre_norm (
bool, tùy chọn, mặc định làFalse) — Có sử dụng pre-LayerNorm cho bộ giải mã transformer hay không. - enforce_input_projection (
bool, tùy chọn, mặc định làFalse) — Có nên thêm một lớp tích chập 1x1 cho đầu vào hay không, ngay cả khi số kênh đầu vào và chiều ẩn là giống nhau trong bộ giải mã Transformer. - common_stride (
int, tùy chọn, mặc định là 4) — Tham số được sử dụng để xác định số lượng cấp độ FPN được dùng như một phần của bộ giải mã pixel. - ignore_value (
int, tuỳ chọn, mặc định là 255) — ID của lớp cần được bỏ qua trong quá trình huấn luyện. - num_queries (
int, tùy chọn, mặc định là 100) — Số lượng truy vấn cho bộ giải mã. - no_object_weight (
float, tùy chọn, mặc định là0.1) — Trọng số phân loại tương đối của lớp không có đối tượng trong hàm mất mát phát hiện đối tượng. - class_weight (
float, tùy chọn, mặc định là2.0) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian. - mask_weight (
float, tùy chọn, mặc định là5.0) — Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic. - dice_weight (
float, tùy chọn, mặc định là5.0) — Trọng số tương đối của dice loss trong panoptic segmentation loss. - train_num_points (
strhoặcfunction, tùy chọn, mặc định là 12544) — Số lượng điểm được sử dụng để lấy mẫu trong quá trình tính toán loss. - oversample_ratio (
float, tùy chọn, mặc định là 3.0) — Tham số lấy mẫu quá mức được sử dụng để tính số điểm được lấy mẫu - importance_sample_ratio (
float, tùy chọn, mặc định là 0.75) — Tỷ lệ các điểm được lấy mẫu thông qua lấy mẫu quan trọng (importance sampling). - init_std (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. - init_xavier_std (
float, tuỳ chọn, mặc định là1.0) — Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention. - use_auxiliary_loss (
bool, tùy chọn, mặc định làTrue) — Có tính loss sử dụng các dự đoán trung gian từ transformer decoder hay không. - feature_strides (
list[int], tùy chọn, mặc định là[4, 8, 16, 32]) — Các bước nhảy đặc trưng tương ứng với các đặc trưng được tạo ra từ mạng backbone. - output_auxiliary_logits (
bool, tùy chọn) — Liệu mô hình có cần xuất raauxiliary_logitshay không.
Đây là lớp cấu hình để lưu trữ cấu hình của một Mask2FormerModel. Nó được sử dụng để khởi tạo một mô hình Mask2Former 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 facebook/mask2former-swin-small-coco-instance
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 Mask2FormerConfig, Mask2FormerModel
>>> # Initializing a Mask2Former facebook/mask2former-swin-small-coco-instance configuration
>>> configuration = Mask2FormerConfig()
>>> # Initializing a model (with random weights) from the facebook/mask2former-swin-small-coco-instance style configuration
>>> model = Mask2FormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configĐầu ra cụ thể của MaskFormer
lớp transformers.models.mask2former.modeling_mask2former.Mask2FormerModelOutput
< source >( encoder_last_hidden_state: typing.Optional[torch.Tensor] = Nonepixel_decoder_last_hidden_state: typing.Optional[torch.Tensor] = Nonetransformer_decoder_last_hidden_state: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: tuple[torch.Tensor] | None = Nonepixel_decoder_hidden_states: tuple[torch.Tensor] | None = Nonetransformer_decoder_hidden_states: tuple[torch.Tensor] | None = Nonetransformer_decoder_intermediate_states: tuple[torch.Tensor] | None = Nonemasks_queries_logits: tuple[torch.Tensor] | None = Noneattentions: tuple[torch.Tensor] | None = None )
Tham số
- encoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width), tùy chọn) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone). Được trả về khioutput_hidden_states=Trueđược truyền vào. - pixel_decoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width), tùy chọn) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình pixel decoder. - transformer_decoder_last_hidden_state (
tuple(torch.Tensor)) — Đầu ra cuối cùng của bộ giải mã transformer(batch_size, sequence_length, hidden_size). - encoder_hidden_states (
tuple(torch.Tensor), tùy chọn) — Bộ tuple cáctorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng(batch_size, num_channels, height, width). Các hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi giai đoạn. Được trả về khi truyềnoutput_hidden_states=True. - pixel_decoder_hidden_states (
tuple(torch.Tensor), , tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng(batch_size, num_channels, height, width). Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn. Được trả về khioutput_hidden_states=Trueđược truyền vào. - transformer_decoder_hidden_states (
tuple(torch.Tensor), tùy chọn) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, sequence_length, hidden_size). Hidden-states (còn gọi là feature maps) của transformer decoder tại đầu ra của mỗi giai đoạn. Được trả về khioutput_hidden_states=Trueđược truyền vào. - transformer_decoder_intermediate_states (
tuple(torch.Tensor)có hình dạng(num_queries, 1, hidden_size)) — Các kích hoạt trung gian của bộ giải mã, tức là đầu ra của mỗi lớp giải mã, mỗi đầu ra đã đi qua một layernorm. - masks_queries_logits (
tuple(torch.Tensor)có hình dạng(batch_size, num_queries, height, width)) — Dự đoán mặt nạ từ mỗi lớp trong bộ giải mã transformer. - attentions (
tuple(tuple(torch.Tensor)), tùy chọn, được trả về khi truyềnoutput_attentions=True) — Tuple củatuple(torch.Tensor)(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length). Trọng số self attention từ transformer decoder. - attentions (
tuple[torch.Tensor], tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
Lớp cho đầu ra của Mask2FormerModel. Lớp này trả về tất cả các trạng thái ẩn cần thiết để tính toán logits.
lớp transformers.models.mask2former.modeling_mask2former.Mask2FormerForUniversalSegmentationOutput
< source >( loss: typing.Optional[torch.Tensor] = Noneclass_queries_logits: typing.Optional[torch.Tensor] = Nonemasks_queries_logits: typing.Optional[torch.Tensor] = Noneauxiliary_logits: list[dict[str, torch.Tensor]] | None = Noneencoder_last_hidden_state: typing.Optional[torch.Tensor] = Nonepixel_decoder_last_hidden_state: typing.Optional[torch.Tensor] = Nonetransformer_decoder_last_hidden_state: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: tuple[torch.Tensor] | None = Nonepixel_decoder_hidden_states: tuple[torch.Tensor] | None = Nonetransformer_decoder_hidden_states: typing.Optional[torch.Tensor] = Noneattentions: tuple[torch.Tensor] | None = None )
Tham số
- loss (
torch.Tensor, tùy chọn) — Mất đã 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+ 1là cần thiết vì chúng ta tích hợp lớp null. - masks_queries_logits (
torch.Tensor, tùy chọn) — Một tensor có hình dạng(batch_size, num_queries, height, width)đại diện cho các mask được đề xuất cho mỗi query. - auxiliary_logits (
list[Dict(str, torch.Tensor)], tùy chọn) — Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer. - encoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width)) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone). - pixel_decoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width)) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình pixel decoder. - transformer_decoder_last_hidden_state (
tuple(torch.Tensor)) — Đầu ra cuối cùng của bộ giải mã transformer(batch_size, sequence_length, hidden_size). - encoder_hidden_states (
tuple(torch.Tensor), tùy chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng(batch_size, num_channels, height, width). Các hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi giai đoạn. - pixel_decoder_hidden_states (
tuple(torch.Tensor), tùy chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng(batch_size, num_channels, height, width). Các hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn. - transformer_decoder_hidden_states (
tuple(torch.Tensor), tùy chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng(batch_size, sequence_length, hidden_size). Trạng thái ẩn (còn được gọi là bản đồ đặc trưng) của transformer decoder tại đầu ra của mỗi giai đoạn. - attentions (
tuple(tuple(torch.Tensor)), tùy chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatuple(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.
Lớp cho các đầu ra của Mask2FormerForUniversalSegmentationOutput.
Đầu ra này có thể được truyền trực tiếp vào post_process_semantic_segmentation() hoặc post_process_instance_segmentation() hoặc post_process_panoptic_segmentation() để tính toán các bản đồ phân đoạn cuối cùng. Vui lòng xem [`~Mask2FormerImageProcessor] để biết chi tiết về cách sử dụng.
Mask2FormerModel
lớp transformers.Mask2FormerModel
< source >( config: Mask2FormerConfig )
Tham số
- config (Mask2FormerConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.
Model Mask2Former cơ bản, xuất ra các hidden-states thô mà không có head cụ thể nào ở phía trên.
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: Tensorpixel_mask: typing.Optional[torch.Tensor] = Noneoutput_hidden_states: bool | None = Noneoutput_attentions: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → Mask2FormerModelOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó 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 Mask2FormerImageProcessor. Xem Mask2FormerImageProcessor.call() để biết chi tiết (processor_classsử dụng Mask2FormerImageProcessor để xử lý hình ảnh). - pixel_mask (
torch.Tensorcó hình dạng(batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
- output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.
Trả về
Mask2FormerModelOutput hoặc tuple(torch.Tensor)
Một Mask2FormerModelOutput 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 (Mask2FormerConfig) và đầu vào.
Phương thức forward của Mask2FormerModel 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
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
encoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width), tùy chọn) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone). Được trả về khi truyềnoutput_hidden_states=True.pixel_decoder_last_hidden_state (
torch.Tensorcó shape(batch_size, num_channels, height, width), optional) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình pixel decoder.transformer_decoder_last_hidden_state (
tuple(torch.Tensor)) — Đầu ra cuối cùng của bộ giải mã transformer(batch_size, sequence_length, hidden_size).encoder_hidden_states (
tuple(torch.Tensor), optional) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi stage) có shape(batch_size, num_channels, height, width). Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi stage. Được trả về khioutput_hidden_states=Trueđược truyền vào.pixel_decoder_hidden_states (
tuple(torch.Tensor), , tuỳ chọn, được trả về khi truyềnoutput_hidden_states=Truehoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, num_channels, height, width). Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn. Được trả về khi truyềnoutput_hidden_states=True.transformer_decoder_hidden_states (
tuple(torch.Tensor), tuỳ chọn) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, sequence_length, hidden_size). Hidden-states (còn gọi là feature maps) của transformer decoder tại đầu ra của mỗi giai đoạn. Được trả về khi truyềnoutput_hidden_states=True.transformer_decoder_intermediate_states (
tuple(torch.Tensor)có hình dạng(num_queries, 1, hidden_size)) — Các kích hoạt trung gian của bộ giải mã, tức là đầu ra của mỗi lớp giải mã, mỗi đầu ra đã đi qua một layernorm.masks_queries_logits (
tuple(torch.Tensor)có hình dạng(batch_size, num_queries, height, width)) Dự đoán mặt nạ từ mỗi lớp trong bộ giải mã transformer. attentions (tuple(tuple(torch.Tensor)), tùy chọn, được trả về khi truyềnoutput_attentions=True) — Bộ batuple(torch.Tensor)(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length). Trọng số tự chú ý từ bộ giải mã transformer.attentions (
tuple[torch.Tensor], tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
Mask2FormerForUniversalSegmentation
lớp transformers.Mask2FormerForUniversalSegmentation
< source >( config: Mask2FormerConfig )
Tham số
- config (Mask2FormerConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.
Mô hình Mask2Former với các đầu (heads) 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 = Nonepixel_mask: typing.Optional[torch.Tensor] = Noneoutput_hidden_states: bool | None = Noneoutput_auxiliary_logits: bool | None = Noneoutput_attentions: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → Mask2FormerForUniversalSegmentationOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó 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 Mask2FormerImageProcessor. Xem Mask2FormerImageProcessor.call() để biết chi tiết (processor_classsử dụng Mask2FormerImageProcessor 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 củamask_labels, ví dụ nhãn củamask_labels[i][j]nếuclass_labels[i][j]. - pixel_mask (
torch.Tensorcó hình dạng(batch_size, height, width), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các giá trị pixel padding. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các pixel thực (tức là không bị che),
- 0 cho các pixel là padding (tức là đã bị che).
- output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - output_auxiliary_logits (
bool, tùy chọn) — Có xuất logits phụ hay không. - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.
Trả về
Mask2FormerForUniversalSegmentationOutput hoặc tuple(torch.Tensor)
Một Mask2FormerForUniversalSegmentationOutput 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 (Mask2FormerConfig) và đầu vào.
Phương thức forward của Mask2FormerForUniversalSegmentation 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
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ 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+ 1là 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. - auxiliary_logits (
list[Dict(str, torch.Tensor)], tùy chọn) — Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer. - encoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width)) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone). - pixel_decoder_last_hidden_state (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width)) — Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình pixel decoder. - transformer_decoder_last_hidden_state (
tuple(torch.Tensor)) — Đầu ra cuối cùng của bộ giải mã transformer(batch_size, sequence_length, hidden_size). - encoder_hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, num_channels, height, width). Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi giai đoạn. - pixel_decoder_hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, num_channels, height, width). Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn. - transformer_decoder_hidden_states (
tuple(torch.Tensor), tùy chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có shape(batch_size, sequence_length, hidden_size). Hidden-states (còn gọi là feature maps) của transformer decoder tại đầu ra của mỗi giai đoạn. - attentions (
tuple(tuple(torch.Tensor)), tuỳ chọn, được trả về khi truyềnoutput_attentions=Truehoặc khiconfig.output_attentions=True) — Tuple củatuple(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.
Ví dụ:
Ví dụ về phân đoạn đối tượng:
>>> from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> # Load Mask2Former trained on COCO instance segmentation dataset
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-small-coco-instance")
>>> model = Mask2FormerForUniversalSegmentation.from_pretrained(
... "facebook/mask2former-swin-small-coco-instance"
... )
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> inputs = image_processor(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
>>> # Perform post-processing to get instance segmentation map
>>> pred_instance_map = image_processor.post_process_instance_segmentation(
... outputs, target_sizes=[(image.height, image.width)]
... )[0]
>>> print(pred_instance_map.shape)
torch.Size([480, 640])Ví dụ về phân đoạn ngữ nghĩa:
>>> from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> # Load Mask2Former trained on ADE20k semantic segmentation dataset
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-small-ade-semantic")
>>> model = Mask2FormerForUniversalSegmentation.from_pretrained("facebook/mask2former-swin-small-ade-semantic")
>>> url = (
... "https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg"
... )
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> inputs = image_processor(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
>>> # Perform post-processing to get semantic segmentation map
>>> pred_semantic_map = image_processor.post_process_semantic_segmentation(
... outputs, target_sizes=[(image.height, image.width)]
... )[0]
>>> print(pred_semantic_map.shape)
torch.Size([512, 683])Ví dụ về phân đoạn toàn cảnh:
>>> from transformers import AutoImageProcessor, Mask2FormerForUniversalSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> # Load Mask2Former trained on CityScapes panoptic segmentation dataset
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/mask2former-swin-small-cityscapes-panoptic")
>>> model = Mask2FormerForUniversalSegmentation.from_pretrained(
... "facebook/mask2former-swin-small-cityscapes-panoptic"
... )
>>> url = "https://cdn-media.huggingface.co/Inference-API/Sample-results-on-the-Cityscapes-dataset-The-above-images-show-how-our-method-can-handle.png"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> inputs = image_processor(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
>>> # Perform post-processing to get panoptic segmentation map
>>> pred_panoptic_map = image_processor.post_process_panoptic_segmentation(
... outputs, target_sizes=[(image.height, image.width)]
... )[0]["segmentation"]
>>> print(pred_panoptic_map.shape)
torch.Size([338, 676])Mask2FormerImageProcessor
lớp transformers.Mask2FormerImageProcessor
< source >( **kwargs: *<class 'transformers.models.mask2former.image_processing_mask2former.Mask2FormerImageProcessorKwargs'> )
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 làTrue) — 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' -- 800, 'longest_edge': 1333}): Mô tả kích thước đầu vào tối đa cho mô hình. - default_to_square (
bool, kwargs, tuỳ chọn, mặc định làFalse) — 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 dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là2) — 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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional, mặc định là0.00392156862745098) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — 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 nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - 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 (
SizeDict, kwargs, optional) — Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp để tiền xử lý. Nếupad_sizekhông được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. - 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 trợChannelDimension.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"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.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. - ignore_index (
int, kwargs, tuỳ chọn) — 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 bằngignore_index. - do_reduce_labels (
bool, kwargs, tuỳ chọn, mặc định làFalse) — Có giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằngignore_index. - num_labels (
int, kwargs, optional) — Số lượng nhãn trong bản đồ phân đoạn. - size_divisor (
int, kwargs, optional, mặc định là32) — Một số backbone yêu cầu kích thước ảnh phải chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.
Tạo một bộ xử lý ảnh Mask2FormerImageProcessor.
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: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Noneinstance_id_to_semantic_id: list[dict[int, int]] | dict[int, int] | None = None**kwargs: *<class 'transformers.models.mask2former.image_processing_mask2former.Mask2FormerImageProcessorKwargs'> ) → ~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 đặtdo_rescale=False. - segmentation_maps (
ImageInput, tùy chọn) — Các bản đồ phân đoạn. - instance_id_to_semantic_id (
Union[list[dict[int, int]], dict[int, int]], tùy chọn) — Bản ánh xạ từ các ID instance sang các ID semantic. - 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 dụngcenter_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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - 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 nếudo_rescaleđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - 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 (
SizeDict, kwargs, optional) — Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp để tiền xử lý. Nếupad_sizekhông được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. - 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 trợChannelDimension.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"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.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. - ignore_index (
int, kwargs, tuỳ chọn) — 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 bằngignore_index. - do_reduce_labels (
bool, kwargs, tuỳ chọn, mặc định làFalse) — Có giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằngignore_index. - num_labels (
int, kwargs, optional) — Số lượng nhãn trong bản đồ phân đoạn. - size_divisor (
int, kwargs, optional, mặc định là32) — Một số backbone yêu cầu kích thước ảnh phải chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.
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: list[tuple[int, int]] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]
Tham số
- outputs (Mask2FormerForUniversalSegmentation) — Đầu ra thô của mô hình.
- target_sizes (
list[tuple[int, int]], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước. - return_segmentation_scores (
bool, tùy chọn, mặc định làFalse) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. KhiTrue, mỗi phần tử của danh sách được trả về là mộtSemanticSegmentationPostProcessorOutputvới các trườngsegmentation(các ID lớp, hình dạng(height, width)) vàsegmentation_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 (nếu target_sizes được chỉ định).
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.
post_process_instance_segmentation
< source >( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = Falsereturn_binary_maps: bool | None = False ) → List[Dict]
Tham số
- outputs (Mask2FormerForUniversalSegmentation) — Đầu ra thô của mô hình.
- threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán. - mask_threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân. - overlap_mask_area_threshold (
float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân. - target_sizes (
List[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (Tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước. - return_coco_annotation (
bool, tùy chọn, mặc định làFalse) — Nếu được đặt thànhTrue, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO. - return_binary_maps (
bool, tuỳ chọn, mặc định làFalse) — Nếu đặt thànhTrue, các bản đồ phân đoạn sẽ được trả về dưới dạng một tensor ghép nối của các bản đồ phân đoạn nhị phân (một bản đồ cho mỗi đối tượng được phát hiện).
Trả về
List[Dict]
Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- segmentation — Một tensor có hình dạng
(height, width)trong đó mỗi pixel đại diện cho mộtsegment_id, hoặcList[List]mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thànhTrue, hoặc một tensor có hình dạng(num_instances, height, width)nếu return_binary_maps được đặt thànhTrue. Đặt thànhNonenếu không tìm thấy mask nào vượt quáthreshold. - segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
- id — Một số nguyên đại diện cho
segment_id. - label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với
segment_id. - score — Điểm dự đoán của phân đoạn có
segment_id.
- id — Một số nguyên đại diện cho
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentationOutput thành các dự đoán phân đoạn đối tượng.
Chỉ hỗ trợ PyTorch. Nếu các đối tượng có thể chồng lấp lên nhau, hãy đặt return_coco_annotation hoặc return_binary_maps
thành True để nhận kết quả phân đoạn chính xác.
post_process_panoptic_segmentation
< source >( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8label_ids_to_fuse: set[int] | None = Nonetarget_sizes: list[tuple[int, int]] | None = None ) → List[Dict]
Tham số
- outputs (
Mask2FormerForUniversalSegmentationOutput) — Đầu ra từ Mask2FormerForUniversalSegmentation. - threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán. - mask_threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân. - overlap_mask_area_threshold (
float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân. - label_ids_to_fuse (
Set[int], tùy chọn) — Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn của bầu trời sẽ nằm trong tập hợp đó, nhưng ID nhãn của người thì không. - target_sizes (
List[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (Tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.
Trả về
List[Dict]
Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- segmentation — một tensor có hình dạng
(height, width)trong đó mỗi pixel đại diện cho mộtsegment_id, được đặt thànhNonenếu không tìm thấy mask nào vượt quáthreshold. Nếutarget_sizesđược chỉ định, segmentation sẽ được thay đổi kích thước thành mụctarget_sizestương ứng. - segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
- id — một số nguyên đại diện cho
segment_id. - label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với
segment_id. - was_fused — một giá trị boolean,
Truenếulabel_idnằm tronglabel_ids_to_fuse,Falsetrong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán mộtsegment_idduy nhất. - score — Điểm dự đoán của phân đoạn có
segment_id.
- id — một số nguyên đại diện cho
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentationOutput thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.
Mask2FormerImageProcessorPil
lớp transformers.Mask2FormerImageProcessorPil
< source >( **kwargs: *<class 'transformers.models.mask2former.image_processing_pil_mask2former.Mask2FormerImageProcessorKwargs'> )
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: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Noneinstance_id_to_semantic_id: list[dict[int, int]] | dict[int, int] | None = None**kwargs: *<class 'transformers.models.mask2former.image_processing_pil_mask2former.Mask2FormerImageProcessorKwargs'> ) → ~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 đặtdo_rescale=False. - segmentation_maps (
ImageInput, tùy chọn) — Các bản đồ phân đoạn. - instance_id_to_semantic_id (
Union[list[dict[int, int]], dict[int, int]], tùy chọn) — Bản ánh xạ từ các ID instance sang các ID semantic. - 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 dụngcenter_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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - 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 nếudo_rescaleđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - 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 (
SizeDict, kwargs, optional) — Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp để tiền xử lý. Nếupad_sizekhông được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. - 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 trợChannelDimension.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"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.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. - ignore_index (
int, kwargs, tuỳ chọn) — 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 bằngignore_index. - do_reduce_labels (
bool, kwargs, tuỳ chọn, mặc định làFalse) — Có giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằngignore_index. - num_labels (
int, kwargs, optional) — Số lượng nhãn trong bản đồ phân đoạn. - size_divisor (
int, kwargs, optional, mặc định là32) — Một số backbone yêu cầu kích thước ảnh phải chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.
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: list[tuple[int, int]] | None = Nonereturn_segmentation_scores: bool = False ) → list[torch.Tensor] or list[SemanticSegmentationPostProcessorOutput]
Tham số
- outputs (Mask2FormerForUniversalSegmentation) — Đầu ra thô của mô hình.
- target_sizes (
list[tuple[int, int]], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước. - return_segmentation_scores (
bool, tùy chọn, mặc định làFalse) — Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. KhiTrue, mỗi phần tử của danh sách được trả về là mộtSemanticSegmentationPostProcessorOutputvới các trườngsegmentation(các ID lớp, hình dạng(height, width)) vàsegmentation_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 (nếu target_sizes được chỉ định).
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.
post_process_instance_segmentation
< source >( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = Falsereturn_binary_maps: bool | None = False ) → List[Dict]
Tham số
- outputs (Mask2FormerForUniversalSegmentation) — Đầu ra thô của mô hình.
- threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán. - mask_threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân. - overlap_mask_area_threshold (
float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân. - target_sizes (
List[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (Tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước. - return_coco_annotation (
bool, tùy chọn, mặc định làFalse) — Nếu được đặt thànhTrue, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO. - return_binary_maps (
bool, tuỳ chọn, mặc định làFalse) — Nếu đặt thànhTrue, các bản đồ phân đoạn sẽ được trả về dưới dạng một tensor ghép nối của các bản đồ phân đoạn nhị phân (một bản đồ cho mỗi đối tượng được phát hiện).
Trả về
List[Dict]
Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- segmentation — Một tensor có hình dạng
(height, width)trong đó mỗi pixel đại diện cho mộtsegment_id, hoặcList[List]mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thànhTrue, hoặc một tensor có hình dạng(num_instances, height, width)nếu return_binary_maps được đặt thànhTrue. Đặt thànhNonenếu không tìm thấy mask nào vượt quáthreshold. - segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
- id — Một số nguyên đại diện cho
segment_id. - label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với
segment_id. - score — Điểm dự đoán của phân đoạn có
segment_id.
- id — Một số nguyên đại diện cho
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentationOutput thành các dự đoán phân đoạn đối tượng.
Chỉ hỗ trợ PyTorch. Nếu các đối tượng có thể chồng lấp lên nhau, hãy đặt return_coco_annotation hoặc return_binary_maps
thành True để nhận kết quả phân đoạn chính xác.
post_process_panoptic_segmentation
< source >( outputsthreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8label_ids_to_fuse: set[int] | None = Nonetarget_sizes: list[tuple[int, int]] | None = None ) → List[Dict]
Tham số
- outputs (
Mask2FormerForUniversalSegmentationOutput) — Đầu ra từ Mask2FormerForUniversalSegmentation. - threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng điểm xác suất để giữ lại các mặt nạ thực thể dự đoán. - mask_threshold (
float, tùy chọn, mặc định là 0.5) — Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân. - overlap_mask_area_threshold (
float, tùy chọn, mặc định là 0.8) — Ngưỡng diện tích của mặt nạ chồng lấn để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân. - label_ids_to_fuse (
Set[int], tùy chọn) — Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn của bầu trời sẽ nằm trong tập hợp đó, nhưng ID nhãn của người thì không. - target_sizes (
List[Tuple], tùy chọn) — Danh sách có độ dài (batch_size), trong đó mỗi phần tử của danh sách (Tuple[int, int]]) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu cho mỗi dự đoán trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.
Trả về
List[Dict]
Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- segmentation — một tensor có hình dạng
(height, width)trong đó mỗi pixel đại diện cho mộtsegment_id, được đặt thànhNonenếu không tìm thấy mask nào vượt quáthreshold. Nếutarget_sizesđược chỉ định, segmentation sẽ được thay đổi kích thước thành mụctarget_sizestương ứng. - segments_info — Một từ điển chứa thông tin bổ sung về từng segment.
- id — một số nguyên đại diện cho
segment_id. - label_id — Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với
segment_id. - was_fused — một giá trị boolean,
Truenếulabel_idnằm tronglabel_ids_to_fuse,Falsetrong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán mộtsegment_idduy nhất. - score — Điểm dự đoán của phân đoạn có
segment_id.
- id — một số nguyên đại diện cho
Chuyển đổi đầu ra của Mask2FormerForUniversalSegmentationOutput thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.