SegGPT
概述
SegGPT模型由Wang Xinlong、Zhang Xiaosong、Cao Yue、Wang Wen、Shen Chunhua、Huang Tiejun在《SegGPT: Segmenting Everything In Context》中提出。[链接](https://arxiv.org/abs/2304.03284)。SegGPT使用一个仅解密的Transformer,可以从输入图像、提示图像及其对应的提示掩码生成分割掩码。该模型在COCO-20上达到了56.1 mIoU的显著单次结果,在FSS-1000上达到了85.6 mIoU。
该论文的摘要如下:
我们提出了一种名为SegGPT的通用模型,用于在上下文中对所有内容进行分割。我们将各种分割任务统一到一个通用情境学习框架中,通过将它们转换为相同的图像格式来容纳不同类型的分割数据。SegGPT的训练被表述为一个情境着色问题,每个数据样本都有一个随机的颜色映射。目标是完成多样化的任务,而不是依赖于特定的颜色。在训练后,SegGPT可以通过情境推理在图像或视频中执行任意分割任务,例如物体实例、事物、部分、轮廓和文本。SegGPT在各种任务上进行了评估,包括少量样本语义分割、视频物体分割、语义分割和全景分割。我们的结果在分割领域内和领域外都显示出了强大的能力。
提示
- 可以使用SegGptImageProcessor来准备图像输入、提示和掩模到模型中。
- 可以使用分割映射或RGB图像作为提示掩模。如果使用后者,请确保在
方法中将 do_convert_rgb=False
。 - 在使用SegGptImageProcessor进行预处理和后处理时,如果使用
segmentation_maps
(不考虑背景),非常建议传递num_labels
。 - 当使用SegGptForImageSegmentation进行推理时,如果您的
batch_size
大于1,您可以通过在前进方法中传递feature_ensemble=True
跨图像使用特征集成。
以下是使用模型进行一次语义分割的说明:
import torch
from datasets import load_dataset
from transformers import SegGptImageProcessor, SegGptForImageSegmentation
checkpoint = "BAAI/seggpt-vit-large"
image_processor = SegGptImageProcessor.from_pretrained(checkpoint)
model = SegGptForImageSegmentation.from_pretrained(checkpoint)
dataset_id = "EduardoPacheco/FoodSeg103"
ds = load_dataset(dataset_id, split="train")
# Number of labels in FoodSeg103 (not including background)
num_labels = 103
image_input = ds[4]["image"]
ground_truth = ds[4]["label"]
image_prompt = ds[29]["image"]
mask_prompt = ds[29]["label"]
inputs = image_processor(
images=image_input,
prompt_images=image_prompt,
segmentation_maps=mask_prompt,
num_labels=num_labels,
return_tensors="pt"
)
with torch.no_grad():
outputs = model(**inputs)
target_sizes = [image_input.size[::-1]]
mask = image_processor.post_process_semantic_segmentation(outputs, target_sizes, num_labels=num_labels)[0]
此模型由EduardoPacheco提供。原始代码可以在此处找到。
SegGptConfig
类 transformers.SegGptConfig
< 来源 >( hidden_size = 1024 num_hidden_layers = 24 num_attention_heads = 16 hidden_act = 'gelu' hidden_dropout_prob = 0.0 initializer_range = 0.02 layer_norm_eps = 1e-06 image_size = [896, 448] patch_size = 16 num_channels = 3 qkv_bias = True mlp_dim = None drop_path_rate = 0.1 pretrain_image_size = 224 decoder_hidden_size = 64 use_relative_position_embeddings = True merge_index = 2 intermediate_hidden_state_indices = [5, 11, 17, 23] beta = 0.01 **kwargs )
参数
- hidden_size (
int
, 可选,默认值 1024) — 编码器层和池化层特征维数。 - num_hidden_layers (
int
, 可选,默认为24) — Transformer编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选,默认为16) — Transformer编码器中每个注意层注意头数量。 - hidden_act (
str
或function
,可选,默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - hidden_dropout_prob (
float
, 可选, 默认为 0.0) — 所有嵌入、编码器和池化层中所有全连接层的 dropout 概率。 - initializer_range (
float
, 可选, 默认为 0.02) — 所有权重矩阵初始化时使用的 truncated_normal_initializer 的标准差。 - layer_norm_eps (
float
, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon。 - image_size (
[int]
, 可选, 默认为[896, 448]
) — 每张图像的大小(分辨率)。 - patch_size (
int
, 可选, 默认为 16) — 每个补丁的大小(分辨率)。 - num_channels (
int
, 可选, 默认为 3) — 输入通道的数量。 - qkv_bias (
bool
, 可选, 默认为True
) — 是否向查询、键和值中添加偏置。 - mlp_dim (
int
, 可选) — Transformer 编码器中 MLP 层的维度。如果未设置,默认为hidden_size
* 4。 - drop_path_rate (
float
,可选,默认为0.1)— 丢弃路径层的丢弃率。 - pretrain_image_size (
int
,可选,默认为224)— 绝对位置嵌入的预训练大小。 - decoder_hidden_size (
int
,可选,默认为64)— 解码器的隐藏层大小。 - use_relative_position_embeddings (
bool
, 可选,默认为True
) — 是否在注意力层中使用相对位置嵌入。 - merge_index (
int
, 可选,默认为 2) — 合并嵌入的编码器层索引。 - intermediate_hidden_state_indices (
List[int]
, 可选,默认为[5, 11, 17, 23]
) — 存储为解码器特征的编码器层索引。 - beta (
float
, 可选,默认为 0.01) — SegGptLoss(平滑一阶损失)的正则化系数。
这是一个配置类,用于存储 SegGptModel 的配置。它根据指定的参数实例化 SegGPT 模型,定义模型架构。使用默认配置实例化配置类将生成与 SegGPT 的 BAAI/seggpt-vit-large 架构相似的配置。
配置对象继承自 PretrainedConfig 并可用于控制模型输出。更多信息请参阅 PretrainedConfig 文档。
示例
>>> from transformers import SegGptConfig, SegGptModel
>>> # Initializing a SegGPT seggpt-vit-large style configuration
>>> configuration = SegGptConfig()
>>> # Initializing a model (with random weights) from the seggpt-vit-large style configuration
>>> model = SegGptModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
SegGptImageProcessor
class transformers.SegGptImageProcessor
< source >( do_resize: bool = True size: Optional = None resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_rgb: bool = True **kwargs )
参数
- do_resize (布尔值,可选,默认为
True
) — 是否将图像的(高度,宽度)尺寸调整为指定的(size["height"], size["width"])
。可以由preprocess
方法中的do_resize
参数重写。 - size (字典,可选,默认为
{"height" -- 448, "width": 448}
): 调整大小后的输出图像尺寸。可以由preprocess
方法中的size
参数重写。 - resample (
PILImageResampling
,可选,默认为Resampling.BICUBIC
) — 在调整图像大小时使用的重采样过滤器。可以由preprocess
方法中的resample
参数重写。 - do_rescale (
bool
,可选,默认为True
)——是否通过指定的比例rescale_factor
重置图像。可由preprocess
方法中的do_rescale
参数覆盖。 - rescale_factor (
int
或float
,可选,默认为1/255
)——当重置图像时使用的比例。可由preprocess
方法中的rescale_factor
参数覆盖。 - do_normalize (
bool
,可选,默认为True
)——是否归一化图像。可由preprocess
方法中的do_normalize
参数覆盖。 - image_mean (
float
或List[float]
,可选,默认为IMAGENET_DEFAULT_MEAN
) — 如果对图像进行归一化,则使用的平均值。这是一个与图像通道数相同的长度为浮点数或浮点数列表。可以被preprocess
方法中的image_mean
参数覆盖。 - image_std (
float
或List[float]
,可选,默认为IMAGENET_DEFAULT_STD
) — 如果对图像进行归一化,则使用标准差。这是一个与图像通道数相同的长度为浮点数或浮点数列表。可以被preprocess
方法中的image_std
参数覆盖。 - do_convert_rgb (
bool
,可选,默认为True
) — 是否将提示掩码转换为 RGB 格式。可以被preprocess
方法中的do_convert_rgb
参数覆盖。
构建 SegGpt 图像处理器。
preprocess
< source >( images: 联合 = None prompt_images: 联合 = None prompt_masks: 联合 = None do_resize: 可选 = None size: 字典 = None resample: 采样 = None do_rescale: 可选 = None rescale_factor: 可选 = None do_normalize: 可选 = None image_mean: 联合 = None image_std: 联合 = None do_convert_rgb: 可选 = None num_labels: 可选 = None return_tensors: 联合 = None data_format: 联合 = <ChannelDimension.FIRST: 'channels_first'> input_data_format: 联合 = None **kwargs )
参数
- images (
ImageInput
) —— 预处理图像。期望单张或多张图像,像素值介于0到255之间。如果传递像素值介于0到1之间的图像,设置do_rescale=False
。 - prompt_images (
ImageInput
) —— 预处理提示图像。期望单张或多张图像,像素值介于0到255之间。如果传递像素值介于0到1之间的图像,设置do_rescale=False
。 - prompt_masks (
ImageInput
) —— 从提示图像中预处理提示掩码,在预处理输出中指定提示掩码值。可以是以分割图(无通道)或RGB图像的格式。如果是RGB图像格式,应将do_convert_rgb
设置为False
。如果是分割图格式,建议指定num_labels
以构建调色板,将单通道提示掩码映射到3通道RGB。如果未指定num_labels
,则提示掩码将在通道维度上重复。 - 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
) — 指定调整大小后输出图像大小的字典,格式为{"height": h, "width": w}
。 - resample (
PILImageResampling
过滤器,可选,默认为self.resample
) — 如果调整图像大小则使用的PILImageResampling
过滤器,例如PILImageResampling.BICUBIC
。仅在do_resize
设置为True
时有效。不会应用于提示掩码,因为它使用最近邻方法进行缩放。 - do_rescale (
bool
, 可选,默认为self.do_rescale
) — 是否对图像值进行缩放,范围在 [0 - 1] 之间。 - rescale_factor (
float
, 可选,默认为self.rescale_factor
) — 如果do_rescale
设置为True
,则重新缩放图像的缩放因子。 - do_normalize (
bool
, 可选,默认为self.do_normalize
) — 是否规范化图像。 - image_mean (
float
或List[float]
, 可选,默认为self.image_mean
) — 如果do_normalize
设置为True
,则使用的图像均值。 - image_std (
float
或List[float]
, 可选,默认为self.image_std
) — 如果do_normalize
设置为True
,则使用的图像标准差。 - do_convert_rgb (
bool
, 可选, 默认self.do_convert_rgb
) — 是否将提示蒙版转换为RGB格式。如果指定了num_labels
,将构建一个调色板,将提示蒙版从单通道映射到3通道RGB。如果没有设置,提示蒙版将在通道维度上重复。如果提示蒙版已经是RGB格式,则必须设置为False
。num_labels — (int
, 可选):分割任务中的类别数(不包括背景)。如果指定,将构建调色板,假设 class_idx 0 是背景,将提示蒙版从无通道的纯分割映射到3通道RGB。不指定此参数将导致提示蒙版以原样传递(如果do_convert_rgb
为 false)或在通道维度上重复。 - return_tensors (
str
或TensorType
, 可选) — 要返回的 Tensor 类型。可以是以下之一:- 未设置:返回一个
np.ndarray
列表。 TensorType.TENSORFLOW
或'tf'
:返回类型为tf.Tensor
的批次。TensorType.PYTORCH
或'pt'
:返回类型为torch.Tensor
的批次。TensorType.NUMPY
或'np'
:返回类型为np.ndarray
的批次。TensorType.JAX
或'jax'
:返回类型为jax.numpy.ndarray
的批次。
- 未设置:返回一个
- data_format (
ChannelDimension
或str
,可选,默认为ChannelDimension.FIRST
) — 输出图像的通道维度格式。可以取以下值之一:"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)。- 未设置:使用输入图像的通道维度格式。
- input_data_format (
ChannelDimension
或str
,可选) — 输入图像的通道维度格式。如果未设置,将根据输入图像推断通道维度格式。可以取以下值之一:"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)。
预处理图像或图像批处理。
post_process_semantic_segmentation
< source >( outputs target_sizes: 可选 = None num_labels: 可选 = None ) → semantic_segmentation
参数
- outputs (
SegGptImageSegmentationOutput
) — 模型的原始输出。 - target_sizes (
列表[int, int]
, 可选) — 长度为 (batch_size) 的列表,其中每个列表项 (元组[int, int]
) 对应于每个预测的所需最终大小(高度,宽度)。如果设置为 None,则不会进行缩放。 - num_labels (
int
, 可选) — 目标任务中类别的数量(排除背景)。如果指定,将构建一个调色板,假设类 idx 0 是背景,用于将预测掩模从 RGB 值映射到类索引。此值应与预处理输入时使用的值相同。
返回值:
semantic_segmentation
List[torch.Tensor]
长度为 batch_size
,其中每个元素是与 target_sizes
条目相对应的语义分割图(如果指定了 target_sizes
)。每个 torch.Tensor
的条目对应于一个语义类别 ID。
将 SegGptImageSegmentationOutput
的输出生成分割图。仅支持 PyTorch。
SegGptModel
class transformers.SegGptModel
< source >( config: SegGptConfig )
参数
- config (SegGptConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时不加载模型相关的权重,仅加载配置。有关加载模型权重的信息,请参阅 from_pretrained() 方法。
无任何特定头部,仅输出原始隐藏状态的 SegGpt 模型。这是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,有关通用用途和行为,请参考 PyTorch 文档。
forward
< 源代码 >( pixel_values: Tensor prompt_pixel_values: Tensor prompt_masks: Tensor bool_masked_pos: Optional = None feature_ensemble: Optional = None embedding_type: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.seggpt.modeling_seggpt.SegGptEncoderOutput
或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 SegGptImageProcessor.call()。 - prompt_pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 提示像素值。提示像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参阅 SegGptImageProcessor.call()。 - prompt_masks (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 提示掩码。提示掩码可以使用 AutoImageProcessor 获取。有关详细信息,请参阅 SegGptImageProcessor.call()。 - bool_masked_pos (
torch.BoolTensor
of shape(batch_size, num_patches)
, 可选) — 布尔掩码位置。指示哪些块被掩码(1)以及哪些没有被掩码(0)。 - feature_ensemble(《布尔值》,可选)— 表示是否使用特征集成。如果为
True
,当至少有两个提示时,模型将使用特征集成。如果为False
,则模型将不使用特征集成。当对输入图像进行少样本推理(即对同一图像多个提示)时,应考虑此参数。 - embedding_type(《字符串》,可选)— 嵌入类型。指提示是语义嵌入还是实例嵌入。可以是实例或语义。
- output_attentions(《布尔值》,可选)— 是否返回所有注意力层的注意力张量。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。详细信息请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。 - labels (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
,可选
) — 输入图像的地面实况掩码。
返回值:
transformers.models.seggpt.modeling_seggpt.SegGptEncoderOutput
或 tuple(torch.FloatTensor)
equals transformers.models.seggpt.modeling_seggpt.SegGptEncoderOutput
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,这些元素取决于配置(SegGptConfig)和输入。
- last_hidden_state (
torch.FloatTensor
形状为(batch_size, patch_height, patch_width, hidden_size)
) — 模型最后一层输出处的隐藏状态序列。 - hidden_states (
Tuple[torch.FloatTensor]
,可选
,当config.output_hidden_states=True
时返回) — 包含torch.FloatTensor
的元组(一个是嵌入层的输出,一个是每层输出),形状为(batch_size, patch_height, patch_width, hidden_size)
。 - 注意 (
Tuple[torch.FloatTensor]
,optional
, 当config.output_attentions=True
时返回) — 一个 torch.FloatTensor 的元组(每个层一个),形状为(batch_size, num_heads, seq_len, seq_len)
。 - intermediate_hidden_states (
Tuple[torch.FloatTensor]
, optional,当config.intermediate_hidden_state_indices
被设置时返回) — 形状为(batch_size, patch_height, patch_width, hidden_size)
的torch.FloatTensor
的元组。元组中的每个元素对应于config.intermediate_hidden_state_indices
中指定的层的输出。另外,每个特征都通过了 LayerNorm。
SegGptModel 的前向方法重写了 __call__
特殊方法。
虽然在函数内需要定义前向传递的配方,但应该随后调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者默默地忽略了它们。
示例
>>> from transformers import SegGptImageProcessor, SegGptModel
>>> from PIL import Image
>>> import requests
>>> image_input_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_2.jpg"
>>> image_prompt_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_1.jpg"
>>> mask_prompt_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_1_target.png"
>>> image_input = Image.open(requests.get(image_input_url, stream=True).raw)
>>> image_prompt = Image.open(requests.get(image_prompt_url, stream=True).raw)
>>> mask_prompt = Image.open(requests.get(mask_prompt_url, stream=True).raw).convert("L")
>>> checkpoint = "BAAI/seggpt-vit-large"
>>> model = SegGptModel.from_pretrained(checkpoint)
>>> image_processor = SegGptImageProcessor.from_pretrained(checkpoint)
>>> inputs = image_processor(images=image_input, prompt_images=image_prompt, prompt_masks=mask_prompt, return_tensors="pt")
>>> outputs = model(**inputs)
>>> list(outputs.last_hidden_state.shape)
[1, 56, 28, 1024]
SegGptForImageSegmentation
类 transformers.SegGptForImageSegmentation
< 来源 >( config: SegGptConfig )
参数
- config (SegGptConfig) — 包含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关联的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
SegGpt模型顶部具有解码器,适用于单次图像分割。该模型是PyTorch torch.nn.Module 的子类。将其视为常规的PyTorch模块,并参考PyTorch文档以获取所有有关通用使用和行为的问题。
forward
< 源代码 >( pixel_values: 张量 prompt_pixel_values: 张量 prompt_masks: 张量 bool_masked_pos: 可选 = None feature_ensemble: 可选 = None embedding_type: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.models.seggpt.modeling_seggpt.SegGptImageSegmentationOutput
或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参阅 SegGptImageProcessor.call()。 - prompt_pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 提示像素值。提示像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参阅 SegGptImageProcessor.call()。 - prompt_masks (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 提示掩码。提示掩码可以使用 AutoImageProcessor 获取。有关详细信息,请参阅 SegGptImageProcessor.call()。 - bool_masked_pos (
torch.BoolTensor
of shape(batch_size, num_patches)
, optional) — Boolean masked positions. Indicates which patches are masked (1) and which aren’t (0). - feature_ensemble (
bool
, optional) — Boolean indicating whether to use feature ensemble or not. IfTrue
, the model will use feature ensemble if we have at least two prompts. IfFalse
, the model will not use feature ensemble. This argument should be considered when doing few-shot inference on an input image i.e. more than one prompt for the same image. - embedding_type (
str
, optional) — Embedding type. Indicates whether the prompt is a semantic or instance embedding. Can be either instance or semantic. - 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) — 是否返回一个ModelOutput而不是一个普通的元组。 - labels (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
,可选
) — 输入图像的地面实况掩码。
返回值:
transformers.models.seggpt.modeling_seggpt.SegGptImageSegmentationOutput
或tuple(torch.FloatTensor)
一个 transformers.models.seggpt.modeling_seggpt.SegGptImageSegmentationOutput
或一个包含各种元素的 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
),这些元素取决于配置(SegGptConfig)和输入。
- 损失(《torch.FloatTensor》,可选,当提供
labels
时返回)——损失值。 - 预测掩码(《torch.FloatTensor》尺寸为
(batch_size, num_channels, height, width)
)——预测掩码。 - hidden_states (
Tuple[torch.FloatTensor]
,可选
,当config.output_hidden_states=True
时返回) — 包含torch.FloatTensor
的元组(一个是嵌入层的输出,一个是每层输出),形状为(batch_size, patch_height, patch_width, hidden_size)
。 - 注意力(《Tuple[torch.FloatTensor]》,可选,当
config.output_attentions=True
时返回)——一个torch.FloatTensor
元组(每个层一个),尺寸为(batch_size, num_heads, seq_len, seq_len)
。
SegGptForImageSegmentation 的前向方法覆盖了 __call__
特殊方法。
虽然在函数内需要定义前向传递的配方,但应该随后调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者默默地忽略了它们。
示例
>>> from transformers import SegGptImageProcessor, SegGptForImageSegmentation
>>> from PIL import Image
>>> import requests
>>> image_input_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_2.jpg"
>>> image_prompt_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_1.jpg"
>>> mask_prompt_url = "https://raw.githubusercontent.com/baaivision/Painter/main/SegGPT/SegGPT_inference/examples/hmbb_1_target.png"
>>> image_input = Image.open(requests.get(image_input_url, stream=True).raw)
>>> image_prompt = Image.open(requests.get(image_prompt_url, stream=True).raw)
>>> mask_prompt = Image.open(requests.get(mask_prompt_url, stream=True).raw).convert("L")
>>> checkpoint = "BAAI/seggpt-vit-large"
>>> model = SegGptForImageSegmentation.from_pretrained(checkpoint)
>>> image_processor = SegGptImageProcessor.from_pretrained(checkpoint)
>>> inputs = image_processor(images=image_input, prompt_images=image_prompt, prompt_masks=mask_prompt, return_tensors="pt")
>>> outputs = model(**inputs)
>>> result = image_processor.post_process_semantic_segmentation(outputs, target_sizes=[image_input.size[::-1]])[0]
>>> print(list(result.shape))
[170, 297]