Transformers 文档
CHMv2
并获得增强的文档体验
开始使用
该模型于 2026 年 3 月 6 日在 HF papers 上发布，并于 2026 年 3 月 11 日贡献给 Hugging Face Transformers。
CHMv2
概述
冠层高度图 v2 (CHMv2) 模型在 CHMv2: 使用 DINOv3 改进全球冠层高度测绘 一文中提出。基于我们在 2024 年发布的 原始高分辨率冠层高度图，CHMv2 利用 Meta 的自监督视觉模型 DINOv3，在准确性、细节和全球一致性方面实现了显著提升。
论文摘要如下：
准确的冠层高度信息对于量化森林碳储量、监测森林恢复与退化以及评估栖息地结构至关重要，但来自机载激光雷达 (ALS) 的高保真测量数据在全球范围内的可用性仍然不均衡。在此，我们推出了 CHMv2，这是一款全球性的米级分辨率冠层高度图，它是通过使用基于 DINOv3 构建并针对 ALS 冠层高度模型进行训练的深度估计模型，从高分辨率光学卫星影像中得出的。与现有产品相比，CHMv2 显著提高了准确性，减少了高大森林中的偏差，并更好地保留了冠层边缘和空隙等精细结构。这些增益得益于地理多样性训练数据的显著扩展、自动数据管理与对齐，以及专门针对冠层高度分布定制的损失函数公式和数据采样策略。我们通过独立的 ALS 测试集以及数以千万计的 GEDI 和 ICESat-2 观测数据对 CHMv2 进行了验证，证明了其在主要森林生物群落中的表现具有一致性。
使用示例
使用以下代码在图像上运行推理
import torch
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForDepthEstimation
processor = AutoImageProcessor.from_pretrained("facebook/dinov3-vitl16-chmv2-dpt-head")
model = AutoModelForDepthEstimation.from_pretrained("facebook/dinov3-vitl16-chmv2-dpt-head", device_map="auto")
image = Image.open("image.tif")
inputs = processor(images=image, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
depth = processor.post_process_depth_estimation(
outputs, target_sizes=[(image.height, image.width)]
)[0]["predicted_depth"]CHMv2Config
class transformers.CHMv2Config
< 源码 >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None patch_size: int = 16 initializer_range: float = 0.02 reassemble_factors: list[float | int] | None = None post_process_channels: list[int] | None = None fusion_hidden_size: int = 256 head_hidden_size: int = 128 number_output_channels: int = 256 readout_type: str = 'project' min_depth: float = 0.001 max_depth: float = 96.0 bins_strategy: typing.Literal['linear', 'log', 'chmv2_mixlog'] = 'chmv2_mixlog' norm_strategy: typing.Literal['linear', 'softmax', 'sigmoid', 'chmv2_mixlog'] = 'chmv2_mixlog' )
参数
- backbone_config (
Union[dict, "PreTrainedConfig"], 可选) — 主干模型的配置。目前仅支持 DINOv3ViTConfig。 - patch_size (
int, 可选，默认为 16) — 主干视觉 Transformer 使用的补丁（patch）大小。 - initializer_range (
float, 可选，默认为0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器（truncated_normal_initializer）的标准差。 - reassemble_factors (
list[float], 可选，默认为[4, 2, 1, 0.5]) — 重组层（reassemble layers）的上/下采样因子。 - post_process_channels (
list[int], 可选，默认为[128, 256, 512, 1024]) — 每个主干特征层级在重组阶段的输出通道大小。 - fusion_hidden_size (
int, 可选，默认为 256) — 融合前的通道数。 - head_hidden_size (
int, 可选，默认为 128) — 深度估计头中隐藏层的通道数。 - number_output_channels (
int, 可选，默认为 256) — CHMv2 头的输出通道数（深度箱的数量）。 - readout_type (
str, 可选，默认为"project") — CLS token 的读出操作类型。可以是["ignore", "add", "project"]之一。 - min_depth (
float, 可选，默认为 0.001) — 用于深度箱计算的最小深度值。 - max_depth (
float, 可选，默认为 96.0) — 用于深度箱计算的最大深度值。 - bins_strategy (
str, 可选，默认为"chmv2_mixlog") — 深度箱分布策略。可以是["linear", "log", "chmv2_mixlog"]之一。 - norm_strategy (
str, 可选，默认为"chmv2_mixlog") — 深度预测的归一化策略。可以是["linear", "softmax", "sigmoid", "chmv2_mixlog"]之一。
这是用于存储 Chmv2Model 配置的配置类。它用于根据指定的参数实例化一个 Chmv2 模型，从而定义模型架构。使用默认值实例化配置将产生与 facebook/dinov3-vitl16-chmv2-dpt-head 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。阅读 PreTrainedConfig 的文档以获取更多信息。
CHMv2ImageProcessor
class transformers.CHMv2ImageProcessor
< 源码 >( **kwargs: typing_extensions.Unpack[transformers.models.chmv2.image_processing_chmv2.CHMv2ImageProcessorKwargs] )
参数
- ensure_multiple_of (
int, 关键字参数, 可选，默认为 1) — 如果do_resize为True，图像将被调整大小为该值的倍数。可以被preprocess中的ensure_multiple_of参数覆盖。 - keep_aspect_ratio (
bool, 关键字参数, 可选，默认为False) — 如果为True，图像将被调整为在保持纵横比的前提下可能的最大尺寸。可以被preprocess中的keep_aspect_ratio参数覆盖。 - do_reduce_labels (
bool, 关键字参数, 可选，默认为self.do_reduce_labels) — 是否将分割图的所有标签值减 1。通常用于 0 被用作背景，且背景本身不包含在数据集所有类别中的数据集（例如 ADE20k）。背景标签将被替换为 255。 - **kwargs (ImagesKwargs, 可选) — 其他图像预处理选项。模型特定的 kwargs 列在上方；有关支持的参数的完整列表，请参见 TypedDict 类。
构建一个 CHMv2ImageProcessor 图像处理器。
preprocess
< 源码 >( 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] = None **kwargs: typing_extensions.Unpack[transformers.models.chmv2.image_processing_chmv2.CHMv2ImageProcessorKwargs] ) → ~image_processing_base.BatchFeature
参数
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — 待预处理的图像。期望输入单张图像或一批图像，像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像，请设置do_rescale=False。 - segmentation_maps (
ImageInput, 可选) — 待预处理的分割图。 - ensure_multiple_of (
int, kwargs, 可选, 默认为 1) — 如果do_resize为True，图像将被调整大小至该值的倍数。可以通过preprocess中的ensure_multiple_of进行覆盖。 - keep_aspect_ratio (
bool, kwargs, 可选, 默认为False) — 如果为True，图像将在保持纵横比的前提下调整至尽可能大的尺寸。可以通过preprocess中的keep_aspect_ratio进行覆盖。 - do_reduce_labels (
bool, kwargs, 可选, 默认为self.do_reduce_labels) — 是否将分割图中的所有标签值减 1。通常用于背景标签为 0 且背景本身不包含在数据集所有类别中的情况（例如 ADE20k）。背景标签将被替换为 255。 - return_tensors (
str或 TensorType, 可选) — 如果设置为'pt'，则返回堆叠后的张量；否则返回张量列表。 - **kwargs (ImagesKwargs, 可选) — 其他图像预处理选项。模型特定的 kwargs 在上面列出；请查看 TypedDict 类以获取支持参数的完整列表。
返回
~image_processing_base.BatchFeature
- data (
dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。 - tensor_type (
Union[None, str, TensorType], optional) — 您可以在此处提供 tensor_type 以在初始化时将整数列表转换为 PyTorch/Numpy 张量。
后处理深度估计
< 源码 >( outputs: DepthEstimatorOutput target_sizes: transformers.utils.generic.TensorType | list[tuple[int, int]] | None = None ) → List[Dict[str, TensorType]]
将 DepthEstimatorOutput 的原始输出转换为最终的深度预测结果和深度 PIL 图像。仅支持 PyTorch。
CHMv2ForDepthEstimation
class transformers.CHMv2ForDepthEstimation
< 源码 >( config: CHMv2Config )
参数
- config (CHMv2Config) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，只会加载配置。查看 from_pretrained() 方法以加载模型权重。
带有顶部深度估计头（由卷积层组成）的 CHMv2 模型，例如用于树冠高度估计。
该模型继承自 PreTrainedModel。请查看超类文档以了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< 源码 >( pixel_values: FloatTensor labels: torch.LongTensor | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → DepthEstimatorOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (形状为
(batch_size, num_channels, image_size, image_size)的torch.FloatTensor) — 对应于输入图像的张量。像素值可以使用 CHMv2ImageProcessor 获取。详情请参阅CHMv2ImageProcessor.__call__()（processor_class使用 CHMv2ImageProcessor 处理图像）。 - labels (形状为
(batch_size, height, width)的torch.LongTensor, 可选) — 用于计算损失的真实深度估计图。
返回
DepthEstimatorOutput 或 tuple(torch.FloatTensor)
一个 DepthEstimatorOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（CHMv2Config）和输入包含不同的元素。
CHMv2ForDepthEstimation 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
loss (形状为
(1,)的torch.FloatTensor，可选，当提供labels时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。predicted_depth (
torch.FloatTensor，形状为(batch_size, height, width)) — 每个像素的预测深度。hidden_states (
tuple(torch.FloatTensor), optional, 当传入output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor的元组（如果模型有嵌入层，则包含一个嵌入层输出，加上每层的一个输出），形状为(batch_size, num_channels, height, width)。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
attentions (
tuple(torch.FloatTensor), optional, 当传入output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, patch_size, sequence_length)的torch.FloatTensor元组（每个层一个）。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
示例
>>> from transformers import AutoImageProcessor, CHMv2ForDepthEstimation
>>> import torch
>>> from PIL import Image
>>> import httpx
>>> from io import BytesIO
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read())).convert("RGB")
>>> processor = AutoImageProcessor.from_pretrained("facebook/dinov3-vitl16-chmv2-dpt-head")
>>> model = CHMv2ForDepthEstimation.from_pretrained("facebook/dinov3-vitl16-chmv2-dpt-head")
>>> device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
>>> model.to(device)
>>> # prepare image for the model
>>> inputs = processor(images=image, return_tensors="pt").to(device)
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> # interpolate to original size
>>> post_processed_output = processor.post_process_depth_estimation(
... outputs, [(image.height, image.width)],
... )
>>> predicted_depth = post_processed_output[0]["predicted_depth"]