Transformers 文档
UPerNet
并获取增强的文档体验
开始
UPerNet
概述
UPerNet 模型由 Tete Xiao、Yingcheng Liu、Bolei Zhou、Yuning Jiang 和 Jian Sun 在论文 Unified Perceptual Parsing for Scene Understanding 中提出。UPerNet 是一个通用框架,可以有效地从图像中分割各种概念,并利用任何视觉骨干网络,如 ConvNeXt 或 Swin。
该论文的摘要如下
人类在多个层面上识别视觉世界:我们毫不费力地对场景进行分类并检测内部物体,同时还识别物体的纹理和表面以及它们不同的组成部分。在本文中,我们研究了一项名为统一感知解析的新任务,该任务要求机器视觉系统从给定的图像中识别尽可能多的视觉概念。开发了一个名为 UPerNet 的多任务框架和一种训练策略,以从异构图像注释中学习。我们在统一感知解析上对我们的框架进行了基准测试,结果表明它能够有效地从图像中分割各种概念。训练后的网络进一步应用于发现自然场景中的视觉知识。

此模型由 nielsr 贡献。原始代码基于 OpenMMLab 的 mmsegmentation 这里。
使用示例
UPerNet 是用于语义分割的通用框架。它可以与任何视觉骨干网络一起使用,如下所示
from transformers import SwinConfig, UperNetConfig, UperNetForSemanticSegmentation
backbone_config = SwinConfig(out_features=["stage1", "stage2", "stage3", "stage4"])
config = UperNetConfig(backbone_config=backbone_config)
model = UperNetForSemanticSegmentation(config)
要使用另一个视觉骨干网络,如 ConvNeXt,只需使用适当的骨干网络实例化模型
from transformers import ConvNextConfig, UperNetConfig, UperNetForSemanticSegmentation
backbone_config = ConvNextConfig(out_features=["stage1", "stage2", "stage3", "stage4"])
config = UperNetConfig(backbone_config=backbone_config)
model = UperNetForSemanticSegmentation(config)
请注意,这将随机初始化模型的所有权重。
资源
以下是官方 Hugging Face 和社区(🌎 表示)资源的列表,可帮助您开始使用 UPerNet。
- UPerNet 的演示 notebook 可以在这里找到。
- UperNetForSemanticSegmentation 由此示例脚本和 notebook 提供支持。
- 另请参阅:语义分割任务指南
如果您有兴趣提交资源以包含在此处,请随时打开 Pull Request,我们将对其进行审核!理想情况下,资源应展示一些新的东西,而不是重复现有资源。
UperNetConfig
class transformers.UperNetConfig
< 源代码 >( backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None hidden_size = 512 initializer_range = 0.02 pool_scales = [1, 2, 3, 6] use_auxiliary_head = True auxiliary_loss_weight = 0.4 auxiliary_in_channels = 384 auxiliary_channels = 256 auxiliary_num_convs = 1 auxiliary_concat_input = False loss_ignore_index = 255 **kwargs )
参数
- backbone_config (
PretrainedConfig
或dict
, 可选, 默认为ResNetConfig()
) — 骨干模型的配置。 - backbone (
str
, 可选) — 当backbone_config
为None
时要使用的骨干网络名称。如果use_pretrained_backbone
为True
,这将从 timm 或 transformers 库加载相应的预训练权重。如果use_pretrained_backbone
为False
,这将加载骨干网络的配置并使用它来初始化具有随机权重的骨干网络。 - use_pretrained_backbone (
bool
, 可选,False
) — 是否为骨干网络使用预训练权重。 - use_timm_backbone (
bool
, 可选,False
) — 是否从 timm 库加载backbone
。如果为False
,则从 transformers 库加载 backbone。 - backbone_kwargs (
dict
, 可选) — 从检查点加载时传递给 AutoBackbone 的关键字参数,例如{'out_indices': (0, 1, 2, 3)}
。如果设置了backbone_config
,则不能指定此参数。 - hidden_size (
int
, 可选, 默认为 512) — 卷积层中隐藏单元的数量。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - pool_scales (
Tuple[int]
, 可选, 默认为[1, 2, 3, 6]
) — 在应用于最后一个特征图的 Pooling Pyramid Module 中使用的池化尺度。 - use_auxiliary_head (
bool
, 可选, 默认为True
) — 是否在训练期间使用辅助头。 - auxiliary_loss_weight (
float
, 可选, 默认为 0.4) — 辅助头的交叉熵损失的权重。 - auxiliary_channels (
int
, 可选, 默认为 256) — 辅助头中使用的通道数。 - auxiliary_num_convs (
int
, 可选, 默认为 1) — 辅助头中使用的卷积层数。 - auxiliary_concat_input (
bool
, 可选, 默认为False
) — 是否在分类层之前将辅助头的输出与输入连接。 - loss_ignore_index (
int
, 可选, 默认为 255) — 损失函数忽略的索引。
这是用于存储 UperNetForSemanticSegmentation 配置的配置类。它用于根据指定的参数实例化 UperNet 模型,定义模型架构。使用默认值实例化配置将产生类似于 UperNet openmmlab/upernet-convnext-tiny 架构的配置。
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。
示例
>>> from transformers import UperNetConfig, UperNetForSemanticSegmentation
>>> # Initializing a configuration
>>> configuration = UperNetConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = UperNetForSemanticSegmentation(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
UperNetForSemanticSegmentation
class transformers.UperNetForSemanticSegmentation
< source >( config )
参数
- This 模型是 PyTorch [torch.nn.Module](https —//pytorch.ac.cn/docs/stable/nn.html#torch.nn.Module) 子类。使用
- it 作为常规 PyTorch 模块,并参考 PyTorch 文档以了解与常规用法和
- behavior. — config (UperNetConfig): 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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
UperNet 框架,利用任何视觉 backbone,例如用于 ADE20k、CityScapes。
forward
< source >( pixel_values: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.SemanticSegmenterOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 像素值。如果您提供填充,默认情况下将被忽略。像素值可以使用 AutoImageProcessor 获得。有关详细信息,请参阅 SegformerImageProcessor.call()。 - output_attentions (
bool
, 可选) — 是否返回 backbone 中所有注意力层的注意力张量(如果存在)。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 backbone 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)。
返回
transformers.modeling_outputs.SemanticSegmenterOutput 或 tuple(torch.FloatTensor)
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),其中包含各种元素,具体取决于配置 (UperNetConfig) 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。这是为了避免进行两次插值,并在用户需要将 logits 调整为原始图像大小作为后处理时损失一些质量。您应始终检查 logits 的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
元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 为每一层的输出提供一个),形状为(batch_size, patch_size, hidden_size)
。模型在每一层输出处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, 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。
UperNetForSemanticSegmentation
forward 方法覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但之后应该调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, UperNetForSemanticSegmentation
>>> from PIL import Image
>>> from huggingface_hub import hf_hub_download
>>> image_processor = AutoImageProcessor.from_pretrained("openmmlab/upernet-convnext-tiny")
>>> model = UperNetForSemanticSegmentation.from_pretrained("openmmlab/upernet-convnext-tiny")
>>> filepath = hf_hub_download(
... repo_id="hf-internal-testing/fixtures_ade20k", filename="ADE_val_00000001.jpg", repo_type="dataset"
... )
>>> image = Image.open(filepath).convert("RGB")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> logits = outputs.logits # shape (batch_size, num_labels, height, width)
>>> list(logits.shape)
[1, 150, 512, 512]