Hugging Face's logo

Transformers documentation

OneFormer

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.2).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Mô hình này được công bố trên HF papers vào ngày 2022-11-10 và được đóng góp cho Hugging Face Transformers vào ngày 2023-01-19.

OneFormer

Tổng quan

Mô hình OneFormer được đề xuất trong OneFormer: One Transformer to Rule Universal Image Segmentation bởi Jitesh Jain, Jiachen Li, MangTik Chiu, Ali Hassani, Nikita Orlov, Humphrey Shi. OneFormer là một khung phân đoạn ảnh phổ quát có thể được huấn luyện trên một tập dữ liệu panoptic duy nhất để thực hiện các tác vụ phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic. OneFormer sử dụng một task token để điều kiện hóa mô hình theo tác vụ đang tập trung, khiến kiến trúc được dẫn dắt bởi tác vụ trong quá trình huấn luyện và động theo tác vụ trong suy luận.

Tóm tắt từ bài báo như sau:

Universal Image Segmentation không phải là một khái niệm mới. Các nỗ lực trước đây nhằm thống nhất phân đoạn ảnh trong vài thập kỷ qua bao gồm scene parsing, panoptic segmentation và, gần đây hơn, các kiến trúc panoptic mới. Tuy nhiên, các kiến trúc panoptic như vậy không thực sự thống nhất phân đoạn ảnh vì chúng cần được huấn luyện riêng biệt trên semantic, instance hoặc panoptic segmentation để đạt hiệu suất tốt nhất. Về mặt lý tưởng, một framework thực sự phổ quát nên chỉ cần được huấn luyện một lần và đạt hiệu suất SOTA trên cả ba tác vụ phân đoạn ảnh. Hướng tới mục tiêu đó, chúng tôi đề xuất OneFormer, một framework phân đoạn ảnh phổ quát thống nhất phân đoạn với thiết kế train-once đa tác vụ. Trước tiên, chúng tôi đề xuất một chiến lược huấn luyện liên hợp có điều kiện theo tác vụ, cho phép huấn luyện trên ground truths của từng miền (semantic, instance và panoptic segmentation) trong một quy trình huấn luyện đa tác vụ duy nhất. Thứ hai, chúng tôi giới thiệu một task token để điều kiện hóa mô hình của chúng tôi theo tác vụ đang thực hiện, giúp mô hình trở nên task-dynamic để hỗ trợ huấn luyện và suy luận đa tác vụ. Thứ ba, chúng tôi đề xuất sử dụng query-text contrastive loss trong quá trình huấn luyện để thiết lập sự phân biệt tốt hơn giữa các tác vụ và giữa các lớp. Đáng chú ý, mô hình OneFormer duy nhất của chúng tôi vượt trội hơn các mô hình Mask2Former chuyên dụng trên cả ba tác vụ phân đoạn ở ADE20k, CityScapes và COCO, mặc dù các mô hình sau được huấn luyện riêng trên từng tác vụ trong ba với ba lần tài nguyên. Với các backbone ConvNeXt và DiNAT mới, chúng tôi quan sát thấy hiệu suất cải thiện hơn nữa. Chúng tôi tin rằng OneFormer là một bước tiến quan trọng hướng tới việc làm cho phân đoạn ảnh trở nên phổ quát và dễ tiếp cận hơn.

Hình dưới đây minh họa kiến trúc của OneFormer. Trích từ bài báo gốc.

Mô hình này được đóng góp bởi Jitesh Jain. Mã gốc có thể được tìm thấy tại đây.

Mẹo sử dụng

  • OneFormer yêu cầu hai đầu vào trong quá trình suy luận: image và task token.
  • Trong quá trình huấn luyện, OneFormer chỉ sử dụng chú thích panoptic.
  • Nếu bạn muốn huấn luyện mô hình trong môi trường phân tán trên nhiều nút, thì cần cập nhật hàm get_num_masks bên trong lớp OneFormerLoss của modeling_oneformer.py. Khi huấn luyện trên nhiều nút, giá trị này nên được đặt thành số lượng trung bình của các target mask trên tất cả các nút, như có thể thấy trong bản triển khai gốc tại đây.
  • Bạn có thể sử dụng OneFormerProcessor để chuẩn bị ảnh đầu vào và đầu vào tác vụ cho mô hình, cùng với các mục tiêu tùy chọn cho mô hình. OneFormerProcessor đóng gói OneFormerImageProcessor và CLIPTokenizer vào một instance duy nhất để vừa chuẩn bị ảnh vừa mã hóa đầu vào tác vụ.
  • 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 OneFormerForUniversalSegmentation, trong đó phân đoạn panoptic chấp nhận một đối số tùy chọn label_ids_to_fuse để 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 OneFormer.

  • Các notebook demo về suy luận + tinh chỉnh 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.

Đầu ra cụ thể của OneFormer

lớp transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput

< >

( encoder_hidden_states: tuple[torch.Tensor] | None = Nonepixel_decoder_hidden_states: tuple[torch.Tensor] | None = Nonetransformer_decoder_hidden_states: typing.Optional[torch.Tensor] = Nonetransformer_decoder_object_queries: typing.Optional[torch.Tensor] = Nonetransformer_decoder_contrastive_queries: typing.Optional[torch.Tensor] = Nonetransformer_decoder_mask_predictions: typing.Optional[torch.Tensor] = Nonetransformer_decoder_class_predictions: typing.Optional[torch.Tensor] = Nonetransformer_decoder_auxiliary_predictions: tuple[dict[str, torch.Tensor]] | None = Nonetext_queries: typing.Optional[torch.Tensor] = Nonetask_token: typing.Optional[torch.Tensor] = Noneattentions: tuple[torch.Tensor] | None = None )

Tham số

  • encoder_hidden_states (tuple(torch.Tensor), tùy chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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.
  • transformer_decoder_object_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn đối tượng đầu ra từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_contrastive_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn tương phản từ bộ giải mã transformer.
  • transformer_decoder_mask_predictions (torch.Tensor có hình dạng (batch_size, num_queries, height, width)) — Dự đoán mặt nạ từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_class_predictions (torch.Tensor có hình dạng (batch_size, num_queries, num_classes+1)) — Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_auxiliary_predictions (Tuple of Dict of str, torch.Tensor, tuỳ chọn) — Tuple các dự đoán lớp và mask từ từng lớp của transformer decoder.
  • text_queries (torch.Tensor, tùy chọn có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
  • task_token (torch.Tensor có hình dạng (batch_size, hidden_dim)) — token tác vụ 1 chiều để điều kiện hóa các truy vấn.
  • attentions (tuple(tuple(torch.Tensor)), tùy chọn, được trả về khi output_attentions=True được truyền vào 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.

Lớp cho đầu ra của OneFormerModel. Lớp này trả về tất cả các trạng thái ẩn cần thiết để tính toán logits.

lớp transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput

< >

( loss: typing.Optional[torch.Tensor] = Noneclass_queries_logits: typing.Optional[torch.Tensor] = Nonemasks_queries_logits: typing.Optional[torch.Tensor] = Noneauxiliary_predictions: list = Noneencoder_hidden_states: tuple[torch.Tensor] | None = Nonepixel_decoder_hidden_states: list[torch.Tensor] | None = Nonetransformer_decoder_hidden_states: typing.Optional[torch.Tensor] = Nonetransformer_decoder_object_queries: typing.Optional[torch.Tensor] = Nonetransformer_decoder_contrastive_queries: typing.Optional[torch.Tensor] = Nonetransformer_decoder_mask_predictions: typing.Optional[torch.Tensor] = Nonetransformer_decoder_class_predictions: typing.Optional[torch.Tensor] = Nonetransformer_decoder_auxiliary_predictions: list[dict[str, torch.Tensor]] | None = Nonetext_queries: typing.Optional[torch.Tensor] = Nonetask_token: typing.Optional[torch.Tensor] = Noneattentions: tuple[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 + 1 là 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_predictions (List của Dict str, torch.Tensor, tùy chọn) — Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer.
  • encoder_hidden_states (tuple(torch.Tensor), tùy chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Bộ tuple của torch.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.
  • transformer_decoder_object_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn đối tượng đầu ra từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_contrastive_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn tương phản từ bộ giải mã transformer.
  • transformer_decoder_mask_predictions (torch.Tensor có hình dạng (batch_size, num_queries, height, width)) — Dự đoán mặt nạ từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_class_predictions (torch.Tensor có hình dạng (batch_size, num_queries, num_classes+1)) — Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_auxiliary_predictions (List of Dict of str, torch.Tensor, tuỳ chọn) — Danh sách các dự đoán lớp và mặt nạ từ từng lớp của bộ giải mã transformer.
  • text_queries (torch.Tensor, tùy chọn có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
  • task_token (torch.Tensor có hình dạng (batch_size, hidden_dim)) — token tác vụ 1 chiều để điều kiện hóa các truy vấn.
  • attentions (tuple(tuple(torch.Tensor)), tùy chọn, được trả về khi output_attentions=True được truyền vào 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.

Lớp cho các đầu ra của OneFormerForUniversalSegmentationOutput.

Đầu ra này có thể được truyền trực tiếp vào post_process_semantic_segmentation() hoặc post_process_instance_segmentation() hoặc post_process_panoptic_segmentation() tùy thuộc vào tác vụ. Vui lòng xem [`~OneFormerImageProcessor] để biết chi tiết về cách sử dụng.

OneFormerConfig

lớp transformers.OneFormerConfig

< >

( 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 = Noneignore_value: int = 255num_queries: int = 150no_object_weight: float = 0.1class_weight: float = 2.0mask_weight: float = 5.0dice_weight: float = 5.0contrastive_weight: float = 0.5contrastive_temperature: float = 0.07train_num_points: int = 12544oversample_ratio: float = 3.0importance_sample_ratio: float = 0.75init_std: float = 0.02init_xavier_std: float = 1.0layer_norm_eps: float = 1e-05is_training: bool = Falseuse_auxiliary_loss: bool = Trueoutput_auxiliary_logits: bool = Truestrides: list[int] | tuple[int, ...] = (4, 8, 16, 32)task_seq_len: int = 77text_encoder_width: int = 256text_encoder_context_length: int = 77text_encoder_num_layers: int = 6text_encoder_vocab_size: int = 49408text_encoder_proj_layers: int = 2text_encoder_n_ctx: int = 16conv_dim: int = 256mask_dim: int = 256hidden_dim: int = 256encoder_feedforward_dim: int = 1024norm: str = 'GN'encoder_layers: int = 6decoder_layers: int = 10use_task_norm: bool = Truenum_attention_heads: int = 8dropout: float | int = 0.1dim_feedforward: int = 2048pre_norm: bool = Falseenforce_input_proj: bool = Falsequery_dec_layers: int = 2common_stride: int = 4 )

Tham số

  • backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Cấu hình của mô hình backbone.
  • ignore_value (int, tuỳ chọn, mặc định là 255) — Các giá trị cần được bỏ qua trong nhãn GT khi tính toán loss.
  • num_queries (int, tùy chọn, mặc định là 150) — Số lượng truy vấn đối tượng.
  • no_object_weight (float, tùy chọn, mặc định là 0.1) — 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 là 2.0) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.
  • mask_weight (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.
  • dice_weight (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của dice loss trong panoptic segmentation loss.
  • contrastive_weight (float, tùy chọn, mặc định là 0.5) — Trọng số cho tổn thất tương phản.
  • contrastive_temperature (float, tùy chọn, mặc định là 0.07) — Giá trị ban đầu để chuẩn hóa các logits tương phản.
  • train_num_points (int, tùy chọn, mặc định là 12544) — Số lượng điểm được lấy mẫu khi tính toán tổn thất trên các dự đoán mặt nạ.
  • oversample_ratio (float, tùy chọn, mặc định là 3.0) — Tỷ lệ để quyết định số điểm cần lấy mẫu quá mức.
  • importance_sample_ratio (float, tùy chọn, mặc định là 0.75) — Tỷ lệ các điểm được lấy mẫu thông qua lấy mẫu quan trọng.
  • init_std (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.
  • init_xavier_std (float, tuỳ chọn, mặc định là 1.0) — Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention.
  • layer_norm_eps (float, tùy chọn, mặc định là 1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).
  • is_training (bool, tùy chọn, mặc định là False) — Xác định việc chạy ở chế độ huấn luyện hay suy luận.
  • use_auxiliary_loss (bool, tùy chọn, mặc định là True) — Có tính loss sử dụng các dự đoán trung gian từ transformer decoder hay không.
  • output_auxiliary_logits (bool, tùy chọn, mặc định là True) — Có nên trả về các dự đoán trung gian từ bộ giải mã transformer hay không.
  • strides (list, tùy chọn, mặc định là [4, 8, 16, 32]) — Danh sách chứa các giá trị strides cho các feature map trong encoder.
  • task_seq_len (int, tùy chọn, mặc định là 77) — Chiều dài chuỗi để phân tách token cho đầu vào dạng danh sách văn bản.
  • text_encoder_width (int, tùy chọn, mặc định là 256) — Kích thước ẩn của text encoder.
  • text_encoder_context_length (int, tùy chọn, mặc định là 77) — Chiều dài chuỗi đầu vào cho text encoder.
  • text_encoder_num_layers (int, tùy chọn, mặc định là 6) — Số lượng lớp của transformer trong text encoder.
  • text_encoder_vocab_size (int, tùy chọn, mặc định là 49408) — Kích thước từ vựng cho tokenizer.
  • text_encoder_proj_layers (int, tùy chọn, mặc định là 2) — Số lượng lớp trong MLP để chiếu các truy vấn văn bản.
  • text_encoder_n_ctx (int, tùy chọn, mặc định là 16) — Số lượng truy vấn ngữ cảnh văn bản có thể học được.
  • conv_dim (int, tùy chọn, mặc định là 256) — Kích thước của bản đồ đặc trưng để ánh xạ các đầu ra từ backbone.
  • mask_dim (int, tùy chọn, mặc định là 256) — Kích thước cho các bản đồ đặc trưng trong bộ giải mã pixel.
  • hidden_dim (int, tùy chọn, mặc định là 256) — Kích thước cho các trạng thái ẩn trong bộ giải mã transformer.
  • encoder_feedforward_dim (int, tùy chọn, mặc định là 1024) — Kích thước cho lớp FFN trong bộ giải mã pixel.
  • norm (str, tùy chọn, mặc định là "GN") — Loại chuẩn hóa.
  • encoder_layers (int, tùy chọn, mặc định là 6) — Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
  • decoder_layers (int, tùy chọn, mặc định là 10) — Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với num_layers.
  • use_task_norm (bool, tùy chọn, mặc định là True) — Có nên chuẩn hóa token tác vụ hay không.
  • num_attention_heads (int, tùy chọn, mặc định là 8) — Số lượng đầu attention cho mỗi lớp attention trong bộ giải mã Transformer.
  • dropout (Union[float, int], tùy chọn, mặc định là 0.1) — Tỷ lệ cho tất cả các lớp dropout.
  • dim_feedforward (int, tùy chọn, mặc định là 2048) — Kích thước cho lớp FFN trong bộ giải mã transformer.
  • pre_norm (bool, tùy chọn, mặc định là False) — Có nên chuẩn hóa các trạng thái ẩn trước các lớp chú ý trong bộ giải mã transformer hay không.
  • enforce_input_proj (bool, tùy chọn, mặc định là False) — Có nên chiếu (project) các trạng thái ẩn (hidden states) trong bộ giải mã (decoder) của transformer hay không.
  • query_dec_layers (int, tùy chọn, mặc định là 2) — Số lượng lớp trong query transformer.
  • common_stride (int, tùy chọn, mặc định là 4) — Bước lặp chung được sử dụng cho các đặc trưng trong bộ giải mã pixel.

Đây là lớp cấu hình để lưu trữ cấu hình của một OneFormerModel. Nó được sử dụng để khởi tạo một mô hình Oneformer theo các đối số được chỉ định, xác định kiến trúc 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 shi-labs/oneformer_ade20k_swin_tiny

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 OneFormerConfig, OneFormerModel

>>> # Initializing a OneFormer shi-labs/oneformer_ade20k_swin_tiny configuration
>>> configuration = OneFormerConfig()
>>> # Initializing a model (with random weights) from the shi-labs/oneformer_ade20k_swin_tiny style configuration
>>> model = OneFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

OneFormerImageProcessor

lớp transformers.OneFormerImageProcessor

< >

( **kwargs: *<class 'transformers.models.oneformer.image_processing_oneformer.OneFormerImageProcessorKwargs'> )

Tham số

  • do_convert_rgb (bool, kwargs, tuỳ chọn, mặc định là True) — Có 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' -- 800, 'longest_edge': 1333}): 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, 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.
  • repo_path (str, kwargs, optional, mặc định là shi-labs/oneformer_demo) — Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.
  • class_info_file (str, kwargs, optional) — Đường dẫn đến tệp JSON trong kho chứa dữ liệu mô tả lớp (class metadata).
  • num_text (int, kwargs, optional) — Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.
  • num_labels (int, kwargs, optional) — Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.
  • ignore_index (int, kwargs, optional) — Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm (padding).
  • do_reduce_labels (bool, kwargs, tùy chọn, mặc định là False) — Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang ignore_index hay không.

Tạo bộ xử lý ảnh OneFormerImageProcessor.

preprocess

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]task_inputs: list[str] | None = Nonesegmentation_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.oneformer.image_processing_oneformer.OneFormerImageProcessorKwargs'> ) → ~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.
  • task_inputs (list[str], tùy chọn) — Danh sách các tác vụ ("panoptic", "instance", "semantic") cho từng hình ảnh trong batch.
  • 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 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.
  • repo_path (str, kwargs, optional, mặc định là shi-labs/oneformer_demo) — Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.
  • class_info_file (str, kwargs, optional) — Đường dẫn đến tệp JSON trong kho chứa dữ liệu mô tả lớp (class metadata).
  • num_text (int, kwargs, optional) — Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.
  • num_labels (int, kwargs, optional) — Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.
  • ignore_index (int, kwargs, optional) — Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm (padding).
  • do_reduce_labels (bool, kwargs, tùy chọn, mặc định là False) — Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang ignore_index hay không.

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

< >

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

Tham số

  • outputs (OneFormerForUniversalSegmentation) — 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 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 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 (nếu target_sizes được chỉ định).

Chuyển đổi đầu ra của OneFormerForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

post_process_instance_segmentation

< >

( outputstask_type: str = 'instance'is_demo: bool = Truethreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = False ) → List[Dict]

Tham số

  • outputs (OneFormerForUniversalSegmentationOutput) — Đầu ra từ OneFormerForUniversalSegmentationOutput.
  • task_type (str, tùy chọn, mặc định là “instance”) — Xử lý hậu kỳ phụ thuộc vào token tác vụ đầu vào. Nếu task_type là “panoptic”, chúng ta cần bỏ qua các dự đoán stuff.
  • is_demo (bool, tùy chọn, mặc định là True) — Xác định xem mô hình có đang ở chế độ demo hay không. Nếu đúng, sử dụng ngưỡng để dự đoán các mặt nạ cuối cùng.
  • 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 trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.
  • return_coco_annotation (bool, tùy chọn, mặc định là False) — Có nên trả về các dự đoán ở định dạng COCO hay không.

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 một segment_id, được đặt thành None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục target_sizes tương 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, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của OneFormerForUniversalSegmentationOutput thành các dự đoán phân đoạn instance của hình ảnh. Chỉ hỗ trợ PyTorch.

post_process_panoptic_segmentation

< >

( 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 (MaskFormerForInstanceSegmentationOutput) — Đầu ra từ MaskFormerForInstanceSegmentation.
  • 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 một segment_id, được đặt thành None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục target_sizes tương 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, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của MaskFormerForInstanceSegmentationOutput thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.

OneFormerImageProcessorPil

lớp transformers.OneFormerImageProcessorPil

< >

( **kwargs: *<class 'transformers.models.oneformer.image_processing_pil_oneformer.OneFormerImageProcessorKwargs'> )

Tham số

  • do_convert_rgb (bool, kwargs, tuỳ chọn, mặc định là True) — Có 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' -- 800, 'longest_edge': 1333}): 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, 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.
  • repo_path (str, kwargs, optional, mặc định là shi-labs/oneformer_demo) — Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.
  • class_info_file (str, kwargs, optional) — Đường dẫn đến tệp JSON trong kho chứa dữ liệu mô tả lớp (class metadata).
  • num_text (int, kwargs, optional) — Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.
  • num_labels (int, kwargs, optional) — Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.
  • ignore_index (int, kwargs, optional) — Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm (padding).
  • do_reduce_labels (bool, kwargs, tùy chọn, mặc định là False) — Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang ignore_index hay không.

Tạo bộ xử lý ảnh OneFormerImageProcessor.

preprocess

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]task_inputs: list[str] | None = Nonesegmentation_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.oneformer.image_processing_pil_oneformer.OneFormerImageProcessorKwargs'> ) → ~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.
  • task_inputs (list[str], tùy chọn) — Danh sách các tác vụ ("panoptic", "instance", "semantic") cho từng hình ảnh trong batch.
  • 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 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.
  • repo_path (str, kwargs, optional, mặc định là shi-labs/oneformer_demo) — Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.
  • class_info_file (str, kwargs, optional) — Đường dẫn đến tệp JSON trong kho chứa dữ liệu mô tả lớp (class metadata).
  • num_text (int, kwargs, optional) — Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.
  • num_labels (int, kwargs, optional) — Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.
  • ignore_index (int, kwargs, optional) — Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm (padding).
  • do_reduce_labels (bool, kwargs, tùy chọn, mặc định là False) — Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang ignore_index hay không.

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

< >

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

Tham số

  • outputs (OneFormerForUniversalSegmentation) — 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 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 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 (nếu target_sizes được chỉ định).

Chuyển đổi đầu ra của OneFormerForUniversalSegmentation thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

post_process_instance_segmentation

< >

( outputstask_type: str = 'instance'is_demo: bool = Truethreshold: float = 0.5mask_threshold: float = 0.5overlap_mask_area_threshold: float = 0.8target_sizes: list[tuple[int, int]] | None = Nonereturn_coco_annotation: bool | None = False ) → List[Dict]

Tham số

  • outputs (OneFormerForUniversalSegmentationOutput) — Đầu ra từ OneFormerForUniversalSegmentationOutput.
  • task_type (str, tùy chọn, mặc định là “instance”) — Xử lý hậu kỳ phụ thuộc vào token tác vụ đầu vào. Nếu task_type là “panoptic”, chúng ta cần bỏ qua các dự đoán stuff.
  • is_demo (bool, tùy chọn, mặc định là True) — Xác định xem mô hình có đang ở chế độ demo hay không. Nếu đúng, sử dụng ngưỡng để dự đoán các mặt nạ cuối cùng.
  • 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 trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.
  • return_coco_annotation (bool, tùy chọn, mặc định là False) — Có nên trả về các dự đoán ở định dạng COCO hay không.

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 một segment_id, được đặt thành None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục target_sizes tương 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, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của OneFormerForUniversalSegmentationOutput thành các dự đoán phân đoạn instance của hình ảnh. Chỉ hỗ trợ PyTorch.

post_process_panoptic_segmentation

< >

( 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 (MaskFormerForInstanceSegmentationOutput) — Đầu ra từ MaskFormerForInstanceSegmentation.
  • 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 một segment_id, được đặt thành None nếu không tìm thấy mask nào vượt quá threshold. Nếu target_sizes được chỉ định, segmentation sẽ được thay đổi kích thước thành mục target_sizes tương 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, True nếu label_id nằm trong label_ids_to_fuse, False trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một segment_id duy nhất.
    • score — Điểm dự đoán của phân đoạn có segment_id.

Chuyển đổi đầu ra của MaskFormerForInstanceSegmentationOutput thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.

OneFormerProcessor

lớp transformers.OneFormerProcessor

< >

( image_processor = Nonetokenizer = Nonemax_seq_length: int = 77task_seq_length: int = 77**kwargs )

Tham số

  • image_processor (OneFormerImageProcessor) — Bộ xử lý ảnh là một đầu vào bắt buộc.
  • tokenizer (CLIPTokenizer) — Tokenizer là đầu vào bắt buộc.
  • max_seq_length (int, tùy chọn, mặc định là 77) — Chiều dài tối đa của chuỗi để mã hóa tên lớp và đầu vào văn bản. Tham số này kiểm soát số lượng token tối đa được sử dụng khi tách token cho tên lớp và các đầu vào văn bản khác của mô hình.
  • task_seq_length (int, tùy chọn, mặc định là 77) — Độ dài tối đa của chuỗi dành riêng cho việc mã hóa mô tả tác vụ. Các mô tả tác vụ (ví dụ: “the task is semantic”) được token hóa với giới hạn độ dài này, có thể khác với độ dài chuỗi văn bản chung.

Tạo một OneFormerProcessor đóng gói một bộ xử lý ảnh và một tokenizer thành một bộ xử lý duy nhất.

OneFormerProcessor cung cấp đầy đủ các chức năng của OneFormerImageProcessor và CLIPTokenizer. Xem ~OneFormerImageProcessor và ~CLIPTokenizer để biết thêm thông tin.

__call__

< >

( images = Nonetask_inputs = Nonesegmentation_maps = None**kwargs ) → BatchFeature

Tham số

  • images (`) -- Image to preprocess. Expects a single or batch of images with pixel values ranging from 0 to 255. If passing in images with pixel values between 0 and 1, set do_rescale=False`.
  • task_inputs (str hoặc list[str], bắt buộc) — Loại tác vụ cho phân đoạn. Phải là một hoặc nhiều hơn trong số "semantic", "instance", hoặc "panoptic". Có thể là một chuỗi duy nhất cho một hình ảnh, hoặc một danh sách các chuỗi (mỗi hình ảnh một chuỗi) để xử lý theo lô. Loại tác vụ xác định loại phân đoạn mà mô hình sẽ thực hiện trên các hình ảnh đầu vào.
  • segmentation_maps (ImageInput, tùy chọn) — Các bản đồ phân đoạn ngữ nghĩa tương ứng với chú thích theo từng pixel.

    (bool, tùy chọn, mặc định là True): Có nên đệm (pad) các ảnh lên kích thước của ảnh lớn nhất trong một lô (batch) và tạo mặt nạ (mask) pixel hay không.

    Nếu để mặc định, sẽ trả về một mặt nạ pixel mà:

    • 1 cho các pixel thực (tức là không bị che),
    • 0 cho các pixel là padding (tức là đã bị che).
  • return_tensors (str hoặc TensorType, tùy chọn) — Nếu được đặt, sẽ trả về tensor của một framework cụ thể. Các giá trị chấp nhận được là:
    • 'pt': Trả về các đối tượng torch.Tensor của PyTorch.
    • 'np': Trả về các đối tượng np.ndarray của NumPy.

Trả về

BatchFeature

Một BatchFeature với các trường sau:

  • task_inputs — Danh sách các token id sẽ được đưa vào mô hình. Được trả về khi text không phải None.
  • pixel_values — Giá trị pixel để đưa vào mô hình. Được trả về khi images không phải None.

OneFormerModel

lớp transformers.OneFormerModel

< >

( config: OneFormerConfig )

Tham số

  • config (OneFormerConfig) — 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 mô hình.

Mô hình Oneformer cơ bản, xuất ra các hidden-states thô mà không có bất kỳ 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

< >

( pixel_values: Tensortask_inputs: Tensortext_inputs: typing.Optional[torch.Tensor] = Nonepixel_mask: typing.Optional[torch.Tensor] = Noneoutput_hidden_states: bool | None = Noneoutput_attentions: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → OneFormerModelOutput 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 OneFormerImageProcessor. Xem OneFormerImageProcessor.call() để biết chi tiết (OneFormerProcessor sử dụng OneFormerImageProcessor để xử lý hình ảnh).
  • task_inputs (torch.Tensor có hình dạng (batch_size, sequence_length)) — Đầu vào của tác vụ. Đầu vào của tác vụ có thể được lấy bằng cách sử dụng AutoImageProcessor. Xem OneFormerProcessor.call() để biết chi tiết.
  • text_inputs (list[torch.Tensor], tùy chọn) — Tensor có hình dạng (num_queries, sequence_length) để đưa vào mô hình
  • pixel_mask (torch.Tensor có 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).

    Mặt nạ chú ý là gì?

  • output_hidden_states (bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xem hidden_states trong 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. Xem attentions trong 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

OneFormerModelOutput hoặc tuple(torch.Tensor)

Một OneFormerModelOutput 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 (OneFormerConfig) và đầu vào.

Phương thức forward của OneFormerModel 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.

  • encoder_hidden_states (tuple(torch.Tensor), tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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.
  • transformer_decoder_object_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các object query đầu ra từ lớp cuối cùng trong transformer decoder.
  • transformer_decoder_contrastive_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn tương phản từ bộ giải mã transformer.
  • transformer_decoder_mask_predictions (torch.Tensor có hình dạng (batch_size, num_queries, height, width)) — Dự đoán mặt nạ từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_class_predictions (torch.Tensor có hình dạng (batch_size, num_queries, num_classes+1)) — Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_auxiliary_predictions (Tuple of Dict of str, torch.Tensor, tuỳ chọn) — Tuple các dự đoán lớp và mask từ mỗi lớp của transformer decoder.
  • text_queries (torch.Tensor, tùy chọn có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
  • task_token (torch.Tensor có hình dạng (batch_size, hidden_dim)) — token tác vụ 1D để điều kiện hóa các truy vấn.
  • 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.

Ví dụ:

>>> import torch
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import OneFormerProcessor, OneFormerModel

>>> # download test image
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> # load processor for preprocessing the inputs
>>> processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> model = OneFormerModel.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> inputs = processor(image, ["semantic"], return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> mask_predictions = outputs.transformer_decoder_mask_predictions
>>> class_predictions = outputs.transformer_decoder_class_predictions

>>> f"👉 Mask Predictions Shape: {list(mask_predictions.shape)}, Class Predictions Shape: {list(class_predictions.shape)}"
'👉 Mask Predictions Shape: [1, 150, 128, 171], Class Predictions Shape: [1, 150, 151]'

OneFormerForUniversalSegmentation

lớp transformers.OneFormerForUniversalSegmentation

< >

( config: OneFormerConfig )

Tham số

  • config (OneFormerConfig) — 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 mô hình.

Mô hình OneFormer cho phân đoạn ảnh theo instance, semantic và 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

< >

( pixel_values: Tensortask_inputs: Tensortext_inputs: typing.Optional[torch.Tensor] = Nonemask_labels: list[torch.Tensor] | None = Noneclass_labels: list[torch.Tensor] | None = Nonepixel_mask: typing.Optional[torch.Tensor] = Noneoutput_auxiliary_logits: bool | None = Noneoutput_hidden_states: bool | None = Noneoutput_attentions: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → OneFormerForUniversalSegmentationOutput 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 OneFormerImageProcessor. Xem OneFormerImageProcessor.call() để biết chi tiết (OneFormerProcessor sử dụng OneFormerImageProcessor để xử lý hình ảnh).
  • task_inputs (torch.Tensor có hình dạng (batch_size, sequence_length)) — Đầu vào của tác vụ. Đầu vào của tác vụ có thể được lấy bằng cách sử dụng AutoImageProcessor. Xem OneFormerProcessor.call() để biết chi tiết.
  • text_inputs (list[torch.Tensor], tùy chọn) — Tensor có hình dạng (num_queries, sequence_length) để đưa vào mô hình
  • 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].
  • pixel_mask (torch.Tensor có 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).

    Mặt nạ chú ý là gì?

  • output_auxiliary_logits (bool, tùy chọn) — Có xuất logits phụ hay không.
  • output_hidden_states (bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xem hidden_states trong 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. Xem attentions trong 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

OneFormerForUniversalSegmentationOutput hoặc tuple(torch.Tensor)

Một OneFormerForUniversalSegmentationOutput 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 (OneFormerConfig) và đầu vào.

Phương thức forward của OneFormerForUniversalSegmentation 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.
  • auxiliary_predictions (List của Dict str, torch.Tensor, tùy chọn) — Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer.
  • encoder_hidden_states (tuple(torch.Tensor), tuỳ chọn, được trả về khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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 khi output_hidden_states=True được truyền vào hoặc khi config.output_hidden_states=True) — Tuple của torch.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.
  • transformer_decoder_object_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các object query đầu ra từ lớp cuối cùng trong transformer decoder.
  • transformer_decoder_contrastive_queries (torch.Tensor có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn tương phản từ bộ giải mã transformer.
  • transformer_decoder_mask_predictions (torch.Tensor có hình dạng (batch_size, num_queries, height, width)) — Dự đoán mặt nạ từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_class_predictions (torch.Tensor có hình dạng (batch_size, num_queries, num_classes+1)) — Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.
  • transformer_decoder_auxiliary_predictions (List of Dict of str, torch.Tensor, tùy chọn) — Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer.
  • text_queries (torch.Tensor, tùy chọn có hình dạng (batch_size, num_queries, hidden_dim)) — Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
  • task_token (torch.Tensor có hình dạng (batch_size, hidden_dim)) — token tác vụ 1D để điều kiện hóa các truy vấn.
  • 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.

Ví dụ:

Ví dụ phân đoạn phổ quát:

>>> from transformers import OneFormerProcessor, OneFormerForUniversalSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch

>>> # load OneFormer fine-tuned on ADE20k for universal segmentation
>>> processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> model = OneFormerForUniversalSegmentation.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")

>>> 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()))

>>> # Semantic Segmentation
>>> inputs = processor(image, ["semantic"], return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)
>>> # model predicts class_queries_logits of shape `(batch_size, num_queries)`
>>> # and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
>>> class_queries_logits = outputs.class_queries_logits
>>> masks_queries_logits = outputs.masks_queries_logits

>>> # you can pass them to processor for semantic postprocessing
>>> predicted_semantic_map = processor.post_process_semantic_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]
>>> f"👉 Semantic Predictions Shape: {list(predicted_semantic_map.shape)}"
'👉 Semantic Predictions Shape: [512, 683]'

>>> # Instance Segmentation
>>> inputs = processor(image, ["instance"], return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)
>>> # model predicts class_queries_logits of shape `(batch_size, num_queries)`
>>> # and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
>>> class_queries_logits = outputs.class_queries_logits
>>> masks_queries_logits = outputs.masks_queries_logits

>>> # you can pass them to processor for instance postprocessing
>>> predicted_instance_map = processor.post_process_instance_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]["segmentation"]
>>> f"👉 Instance Predictions Shape: {list(predicted_instance_map.shape)}"
'👉 Instance Predictions Shape: [512, 683]'

>>> # Panoptic Segmentation
>>> inputs = processor(image, ["panoptic"], return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)
>>> # model predicts class_queries_logits of shape `(batch_size, num_queries)`
>>> # and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
>>> class_queries_logits = outputs.class_queries_logits
>>> masks_queries_logits = outputs.masks_queries_logits

>>> # you can pass them to processor for panoptic postprocessing
>>> predicted_panoptic_map = processor.post_process_panoptic_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]["segmentation"]
>>> f"👉 Panoptic Predictions Shape: {list(predicted_panoptic_map.shape)}"
'👉 Panoptic Predictions Shape: [512, 683]'
Update on GitHub

←OmDet-Turbo Ovis2→