参数

• outputs (DPTForSemanticSegmentation) — 模型的原始输出。
• target_sizes (list[Tuple]，长度为 batch_size，可选) — 对应于每个预测的请求最终大小（高度，宽度）的元组列表。如果未设置，则预测将不会被调整大小。

list[torch.Tensor]，长度为 batch_size，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 的每个条目对应一个语义类别 ID。

参数

• images (ImageInput) — 待预处理的图像。期望单个或批量图像的像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• segmentation_maps (ImageInput, 可选) — 待预处理的分割图。
• 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) — 调整大小后的图像尺寸。如果 keep_aspect_ratio 为 True，则图像将调整为尽可能大的尺寸，同时保持纵横比。如果设置了 ensure_multiple_of，则图像将调整为该值的倍数。
• keep_aspect_ratio (bool, 可选, 默认为 self.keep_aspect_ratio) — 是否保持图像的纵横比。如果为 False，图像将调整为 (size, size)。如果为 True，图像将调整大小以保持纵横比，并且大小将是最大可能值。
• 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) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举之一。仅当 do_resize 设置为 True 时有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重新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。
• do_reduce_labels (bool, 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 表示背景，且背景本身不包含在数据集所有类别中的数据集（例如 ADE20k）。背景标签将替换为 255。
• return_tensors (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批量数据。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批量数据。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批量数据。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批量数据。
• 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，则从输入图像推断通道维度格式。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

• 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。期望单个或批量图像的像素值范围为 0 到 255。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• segmentation_maps (ImageInput, 可选) — 待预处理的分割图。
• do_resize (bool, 可选) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型的最大输入尺寸。
• default_to_square (bool, 可选) — 如果 size 为整数，是否默认将图像调整为正方形。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, 可选) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], 可选) — 应用center_crop后输出图像的大小。
• do_rescale (bool, 可选) — 是否缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 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) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像平均值。仅当do_normalize设置为True时有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当do_normalize设置为True时有效。
• do_convert_rgb (bool, 可选) — 是否将图像转换为RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为“pt”，则返回堆叠张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选) — 仅支持ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。可以是以下之一：
  • "channels_first"或ChannelDimension.FIRST：图像格式为(通道数, 高度, 宽度)。
  • "channels_last"或ChannelDimension.LAST：图像格式为(高度, 宽度, 通道数)。
  • "none"或ChannelDimension.NONE：图像格式为(高度, 宽度)。
• device (torch.device, 可选) — 处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, 可选) — 是否禁用按大小对图像进行分组以单独处理而不是分批处理。如果为 None，则如果图像在 CPU 上，则设置为 True，否则设置为 False。此选择基于经验观察，详见：https://github.com/huggingface/transformers/pull/38157
• ensure_multiple_of (int, 可选, 默认为 1) — 如果do_resize为True，则图像将调整大小为该值的倍数。可以通过preprocess中的ensure_multiple_of覆盖。
• size_divisor (int, 可选) — 如果do_pad为True，则将图像尺寸填充为该值的倍数。这是在DINOv2论文中引入的，DINOv2使用该模型与DPT结合。
• do_pad (bool, 可选, 默认为False) — 是否应用中心填充。这是在DINOv2论文中引入的，DINOv2使用该模型与DPT结合。
• keep_aspect_ratio (bool, 可选, 默认为False) — 如果为True，图像将调整为尽可能大的尺寸，同时保持纵横比。可以通过preprocess中的keep_aspect_ratio覆盖。
• do_reduce_labels (bool, 可选, 默认为self.do_reduce_labels) — 是否将分割图的所有标签值减1。通常用于背景标签为0，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。

• 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], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• outputs (DPTForSemanticSegmentation) — 模型的原始输出。
• target_sizes (list[Tuple]，长度为batch_size，可选) — 对应于每个预测的请求最终大小（高度，宽度）的元组列表。如果未设置，预测将不会调整大小。

list[torch.Tensor]，长度为 batch_size，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 的每个条目对应一个语义类别 ID。

参数

• outputs (DepthEstimatorOutput) — 模型的原始输出。
• target_sizes (TensorType 或 List[Tuple[int, int]], 可选) — 形状为(batch_size, 2)的张量或包含批次中每张图像的目标大小（高度，宽度）的元组列表（Tuple[int, int]）。如果留空，则预测将不会调整大小。

表示处理后的深度预测的张量字典列表。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用{image_processor_class}获取。有关详细信息，请参见{image_processor_class}.__call__（{processor_class}使用{image_processor_class}处理图像）。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部被遮蔽。
• 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而不是普通的元组。

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

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选，默认为 None) — 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)) — 序列中第一个令牌（分类令牌）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理。例如，对于BERT家族的模型，这返回经过线性层和tanh激活函数处理后的分类令牌。线性层权重在预训练期间通过下一个句子预测（分类）目标进行训练。

• hidden_states (tuple[torch.FloatTensor, ...], 可选, 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，则为嵌入层输出一个，每个层输出一个）形状为(batch_size, sequence_length, hidden_size)。

  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, ...], 可选, 当传入output_attentions=True或config.output_attentions=True时返回) — torch.FloatTensor的元组（每个层一个）形状为(batch_size, num_heads, sequence_length, sequence_length)。

  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。

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

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。像素值可以使用{image_processor_class}获取。有关详细信息，请参见{image_processor_class}.__call__（{processor_class}使用{image_processor_class}处理图像）。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部被遮蔽。
• labels (torch.LongTensor，形状为 (batch_size, height, width), 可选) — 用于计算损失的真实深度估计图。
• 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而不是普通的元组。

一个transformers.modeling_outputs.DepthEstimatorOutput或一个torch.FloatTensor元组（如果传递了return_dict=False或当config.return_dict=False时），包含取决于配置（DPTConfig）和输入的各种元素。

• 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), 可选, 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，则为嵌入层输出一个，每个层输出一个）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), 可选, 当传入output_attentions=True或config.output_attentions=True时返回) — torch.FloatTensor的元组（每个层一个）形状为(batch_size, num_heads, patch_size, sequence_length)。

  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。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size), 可选) — 对应于输入图像的张量。像素值可以使用{image_processor_class}获取。有关详细信息，请参见{image_processor_class}.__call__（{processor_class}使用{image_processor_class}处理图像）。
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部被遮蔽。
• labels (torch.LongTensor，形状为 (batch_size, height, width), 可选) — 用于计算损失的真实语义分割图。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels > 1，则计算分类损失（交叉熵）。
• 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而不是普通的元组。

一个transformers.modeling_outputs.SemanticSegmenterOutput或一个torch.FloatTensor元组（如果传递了return_dict=False或当config.return_dict=False时），包含取决于配置（DPTConfig）和输入的各种元素。

• 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）。

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

  返回的logits不一定与作为输入传递的pixel_values具有相同的大小。这是为了避免两次插值，并在用户需要将logits调整到原始图像大小时，在后处理中损失一些质量。您应该始终检查logits的形状并根据需要进行调整。

• hidden_states (tuple(torch.FloatTensor), 可选, 当传入output_hidden_states=True或config.output_hidden_states=True时返回) — torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层，+ 每个层的输出一个），形状为(batch_size, patch_size, hidden_size)。

  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), 可选, 当传入output_attentions=True或config.output_attentions=True时返回) — torch.FloatTensor的元组（每个层一个）形状为(batch_size, num_heads, patch_size, sequence_length)。

  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。