参数

• outputs (DPTForSemanticSegmentation) — 模型的原始输出。
• target_sizes (长度为 batch_size 的 List[Tuple], 可选) — 与每个预测请求的最终尺寸（高度，宽度）相对应的元组列表。如果未设置，则不会调整预测大小。

长度为 batch_size 的 List[torch.Tensor]，其中每个项目是形状为 (height, width) 的语义分割图，对应于 target_sizes 条目（如果指定了 target_sizes）。每个 torch.Tensor 的每个条目对应于一个语义类 ID。

参数

• images (ImageInput) — 要预处理的图像。 期望是像素值范围从 0 到 255 的单个或一批图像。 如果传入的图像像素值在 0 和 1 之间，请设置 do_rescale=False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的尺寸。 如果 keep_aspect_ratio 为 True，则将图像调整为尽可能大的尺寸，以保持宽高比。 如果设置了 ensure_multiple_of，则将图像调整为该值的倍数的大小。
• keep_aspect_ratio (bool, 可选, 默认为 self.keep_aspect_ratio) — 是否保持图像的宽高比。 如果为 False，则图像将被调整为 (size, size) 大小。 如果为 True，则图像将被调整大小以保持宽高比，并且尺寸将是最大可能的尺寸。
• ensure_multiple_of (int, 可选, 默认为 self.ensure_multiple_of) — 确保图像尺寸是此值的倍数。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。 这可以是枚举 PILImageResampling 之一，仅在 do_resize 设置为 True 时有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否将图像值缩放到 [0 - 1] 之间。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 图像均值。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 图像标准差。
• return_tensors (str 或 TensorType, 可选) — 返回的张量类型。 可以是以下之一：
  • Unset: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。 可以是以下之一：
  • ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。 如果未设置，则通道维度格式将从输入图像中推断。 可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

参数

• 输出 (outputs) (DPTForSemanticSegmentation) — 模型的原始输出。
• target_sizes (List[Tuple]，长度为 batch_size，可选) — 元组列表，对应于每个预测的请求最终尺寸（高度，宽度）。如果未设置，则不会调整预测大小。

长度为 batch_size 的 List[torch.Tensor]，其中每个项目是形状为 (height, width) 的语义分割图，对应于 target_sizes 条目（如果指定了 target_sizes）。每个 torch.Tensor 的每个条目对应于一个语义类 ID。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 DPTImageProcessor.call()。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于置空自注意力模块中选定头的掩码。在 [0, 1] 中选择的掩码值：
  • 1 表示头部未被掩盖，
  • 0 表示头部被掩盖。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

一个 transformers.models.dpt.modeling_dpt.BaseModelOutputWithPoolingAndIntermediateActivations 或一个 torch.FloatTensor 元组 (如果传递 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (DPTConfig) 和输入。

• last_hidden_state (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

• pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)) — 序列的第一个 token（分类 token）的最后一层隐藏状态，在通过用于辅助预训练任务的层进行进一步处理之后。例如，对于 BERT 系列模型，这返回通过线性层和 tanh 激活函数处理后的分类 token。线性层权重从预训练期间的下一句预测（分类）目标中训练而来。

• hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入输出一个，加上每层输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

• intermediate_activations (tuple(torch.FloatTensor), 可选) — 中间激活值，可用于计算模型在各个层的隐藏状态。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 DPTImageProcessor.call()。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于置空自注意力模块中选定头的掩码。在 [0, 1] 中选择的掩码值：
  • 1 表示头部未被掩盖，
  • 0 表示头部被掩盖。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• labels (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于计算损失的深度估计图的真值。

一个 transformers.modeling_outputs.DepthEstimatorOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或者当 config.return_dict=False 时），包含各种元素，具体取决于配置 (DPTConfig) 和输入。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）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)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则为嵌入层的输出 + 每层输出一个），形状为 (batch_size, num_channels, height, width)。

  模型在每一层输出的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, patch_size, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参见 DPTImageProcessor.call()。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于置零自注意力模块中选定头的掩码。在 [0, 1] 中选择掩码值：
  • 1 表示头未被掩码，
  • 0 表示头被掩码。
• output_attentions (bool，可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参见返回张量下的 attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states。
• return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。
• labels (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于计算损失的语义分割图的真值。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels > 1，则计算分类损失（交叉熵）。

一个 transformers.modeling_outputs.SemanticSegmenterOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或者当 config.return_dict=False 时），包含各种元素，具体取决于配置 (DPTConfig) 和输入。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）损失。

• logits (torch.FloatTensor，形状为 (batch_size, config.num_labels, logits_height, logits_width)) — 每个像素的分类得分。

  返回的 logits 不一定与作为输入传递的 pixel_values 具有相同的大小。这是为了避免在用户需要将 logits 调整为原始图像大小时进行两次插值并损失一些质量作为后处理。您应始终检查 logits 形状并根据需要调整大小。

• hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则为嵌入层的输出 + 每层输出一个），形状为 (batch_size, patch_size, hidden_size)。

  模型在每一层输出的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每层一个），形状为 (batch_size, num_heads, patch_size, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。