Transformers 文档

ViTMatte

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

ViTMatte

概述

ViTMatte 模型由姚景峰、王兴刚、杨树生、王宝元在 使用预训练的纯视觉Transformer增强图像抠图 中提出。ViTMatte 利用纯 视觉Transformer 完成图像抠图任务,该任务指的是准确地估计图像和视频中前景物体。

论文摘要如下

近年来,纯视觉 Transformer (ViT) 在各种计算机视觉任务中展现出令人印象深刻的性能,这得益于其强大的建模能力和大型预训练。然而,它们尚未克服图像抠图的问题。我们假设图像抠图也可以通过 ViT 提升,并提出了一种新的高效且稳健的基于 ViT 的抠图系统,名为 ViTMatte。我们的方法利用 (i) 混合注意力机制结合卷积颈部,帮助 ViT 在抠图任务中实现出色的性能-计算权衡。 (ii) 此外,我们引入了细节捕获模块,它仅由简单的轻量级卷积组成,以补充抠图所需的细节信息。据我们所知,ViTMatte 是第一个利用简洁的适应来释放 ViT 在图像抠图方面的潜力的工作。它继承了 ViT 的许多优越属性,包括各种预训练策略、简洁的架构设计和灵活的推理策略。我们在 Composition-1k 和 Distinctions-646 上评估了 ViTMatte,这两个是图像抠图最常用的基准,我们的方法达到了最先进的性能,并大幅度地超越了之前的抠图工作。

该模型由 nielsr 贡献。原始代码可以在 这里 找到。

drawing ViTMatte 高级概述。取自 原始论文。

资源

以下是官方 Hugging Face 和社区(以 🌎 表示)的资源列表,可帮助您开始使用 ViTMatte。

该模型需要图像和三元组(连接)作为输入。为此目的,请使用 ViTMatteImageProcessor

VitMatteConfig

class transformers.VitMatteConfig

< >

( backbone_config: PretrainedConfig = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None hidden_size: int = 384 batch_norm_eps: float = 1e-05 initializer_range: float = 0.02 convstream_hidden_sizes: List = [48, 96, 192] fusion_hidden_sizes: List = [256, 128, 64, 32] **kwargs )

参数

  • backbone_config (PretrainedConfigdict可选,默认值为 VitDetConfig()) — 骨干模型的配置。
  • backbone (str可选) — 当 backbone_configNone 时要使用的骨干名称。如果 use_pretrained_backboneTrue,则将从 timm 或 transformers 库加载相应的预训练权重。如果 use_pretrained_backboneFalse,则加载骨干的配置,并使用该配置来使用随机权重初始化骨干。
  • use_pretrained_backbone (bool可选,默认值为 False) — 是否对骨干使用预训练权重。
  • use_timm_backbone (bool可选,默认值为 False) — 是否从 timm 库加载 backbone。如果为 False,则从 transformers 库加载骨干。
  • backbone_kwargs (dict可选) — 传递给 AutoBackbone 的关键字参数,用于从检查点加载,例如 {'out_indices': (0, 1, 2, 3)}。如果设置了 backbone_config,则无法指定。
  • batch_norm_eps (float, 可选, 默认值为 1e-05) — 批归一化层使用的epsilon值。
  • initializer_range (float, 可选, 默认值为 0.02) — 初始化所有权重矩阵的截断正态分布的标准差。
  • convstream_hidden_sizes (List[int], 可选, 默认值为 [48, 96, 192]) — ConvStream 模块的输出通道数。
  • fusion_hidden_sizes (List[int], 可选, 默认值为 [256, 128, 64, 32]) — Fusion 模块的输出通道数。

这是用于存储 VitMatteForImageMatting 配置的配置类。它用于根据指定的参数实例化一个 ViTMatte 模型,定义模型的架构。使用默认值实例化配置将产生类似于 ViTMatte hustvl/vitmatte-small-composition-1k 架构的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。

示例

>>> from transformers import VitMatteConfig, VitMatteForImageMatting

>>> # Initializing a ViTMatte hustvl/vitmatte-small-composition-1k style configuration
>>> configuration = VitMatteConfig()

>>> # Initializing a model (with random weights) from the hustvl/vitmatte-small-composition-1k style configuration
>>> model = VitMatteForImageMatting(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

to_dict

< >

( )

将此实例序列化为 Python 字典。覆盖默认的 to_dict()。返回: Dict[str, any]: 构成此配置实例的所有属性的字典。

VitMatteImageProcessor

class transformers.VitMatteImageProcessor

< >

( do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_pad: bool = True size_divisibility: int = 32 **kwargs )

参数

  • do_rescale (bool, 可选, 默认值为 True) — 是否按指定的比例 rescale_factor 对图像进行缩放。可以通过 preprocess 方法中的 do_rescale 参数覆盖。
  • rescale_factor (intfloat, 可选, 默认值为 1/255) — 如果对图像进行缩放,要使用的比例因子。可以通过 preprocess 方法中的 rescale_factor 参数覆盖。
  • image_mean (floatList[float], 可选,默认值为 IMAGENET_STANDARD_MEAN) — 如果对图像进行归一化,则要使用的均值。这是一个浮点数或浮点数列表,其长度等于图像中通道的数量。可以在 preprocess 方法中使用 image_mean 参数覆盖它。
  • image_std (floatList[float], 可选,默认值为 IMAGENET_STANDARD_STD) — 如果对图像进行归一化,则要使用的标准差。这是一个浮点数或浮点数列表,其长度等于图像中通道的数量。可以在 preprocess 方法中使用 image_std 参数覆盖它。
  • do_pad (bool, 可选,默认值为 True) — 是否对图像进行填充以使宽度和高度可以被 size_divisibility 整除。可以在 preprocess 方法中使用 do_pad 参数覆盖它。
  • size_divisibility (int, 可选,默认值为 32) — 图像的宽度和高度将被填充以使其可以被此数字整除。

构建一个 ViTMatte 图像处理器。

preprocess

< >

( images: Union trimaps: Union do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None do_pad: Optional = None size_divisibility: Optional = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (ImageInput) — 要预处理的图像。需要单张或批量的图像,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
  • trimaps (ImageInput) — 要预处理的 trimap。
  • do_rescale (bool, 可选,默认值为 self.do_rescale) — 是否将图像值重新缩放到 [0-1] 之间。
  • rescale_factor (float, 可选,默认值为 self.rescale_factor) — 如果 do_rescale 设置为 True,则要用来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 (floatList[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 (floatList[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_pad (bool, 可选, 默认为 self.do_pad) — 是否对图像进行填充。
  • size_divisibility (int, 可选, 默认为 self.size_divisibility) — 如果 do_pad 设置为 True,则填充图像的尺寸可分性。
  • return_tensors (strTensorType, 可选) — 要返回的张量类型。可以是以下之一:
    • 未设置:返回 np.ndarray 的列表。
    • TensorType.TENSORFLOW'tf':返回 tf.Tensor 类型的批次。
    • TensorType.PYTORCH'pt':返回 torch.Tensor 类型的批次。
    • TensorType.NUMPY'np':返回 np.ndarray 类型的批次。
    • TensorType.JAX'jax':返回 jax.numpy.ndarray 类型的批次。
  • data_format (ChannelDimensionstr, 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:
    • "channels_first"ChannelDimension.FIRST:图像以 (通道数, 高度, 宽度) 格式。
    • "channels_last"ChannelDimension.LAST:图像以 (高度, 宽度, 通道数) 格式。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr, 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"ChannelDimension.FIRST:图像以 (通道数, 高度, 宽度) 格式。
    • "channels_last"ChannelDimension.LAST:图像以 (高度, 宽度, 通道数) 格式。
    • "none"ChannelDimension.NONE:图像以 (高度, 宽度) 格式。

预处理图像或一批图像。

VitMatteForImageMatting

class transformers.VitMatteForImageMatting

< >

( config )

参数

  • 模型是 PyTorch [torch.nn.Module](https —//pytorch.ac.cn/docs/stable/nn.html#torch.nn.Module) 的子类。使用
  • 作为一个普通的 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的任何事项。 — config (UperNetConfig): 模型配置类,包含模型的所有参数。用配置文件初始化不会加载与模型相关的权重,只加载配置。查看 from_pretrained() 方法来加载模型权重。

利用任何视觉主干的 ViTMatte 框架,例如 ADE20k、CityScapes。

forward

< >

( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None labels: Optional = None return_dict: Optional = None ) transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutputtuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。如果您提供它,默认情况下将忽略填充。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参见 VitMatteImageProcessor.call()
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量(如果主干有注意力层)。有关更多详细信息,请参阅返回张量中的 attentions
  • output_hidden_states (bool, 可选) — 是否返回主干所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是简单的元组。
  • labels (torch.LongTensor 形状为 (batch_size, height, width), 可选) — 用于计算损失的真实图像抠图。

返回值

transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutputtuple(torch.FloatTensor)

transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutputtorch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (VitMatteConfig) 和输入的不同元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选, 当提供 labels 时返回) — 损失。

  • alphas (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 估计的 alpha 值。

  • 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(一个用于嵌入的输出,如果模型有嵌入层,+ 一个用于每个阶段的输出)形状为 (batch_size, sequence_length, hidden_size)。模型在每个阶段输出处的隐藏状态(也称为特征图)。

  • 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。

VitMatteForImageMatting 正向方法,覆盖 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应在之后调用 Module 实例,而不是此函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import VitMatteImageProcessor, VitMatteForImageMatting
>>> import torch
>>> from PIL import Image
>>> from huggingface_hub import hf_hub_download

>>> processor = VitMatteImageProcessor.from_pretrained("hustvl/vitmatte-small-composition-1k")
>>> model = VitMatteForImageMatting.from_pretrained("hustvl/vitmatte-small-composition-1k")

>>> filepath = hf_hub_download(
...     repo_id="hf-internal-testing/image-matting-fixtures", filename="image.png", repo_type="dataset"
... )
>>> image = Image.open(filepath).convert("RGB")
>>> filepath = hf_hub_download(
...     repo_id="hf-internal-testing/image-matting-fixtures", filename="trimap.png", repo_type="dataset"
... )
>>> trimap = Image.open(filepath).convert("L")

>>> # prepare image + trimap for the model
>>> inputs = processor(images=image, trimaps=trimap, return_tensors="pt")

>>> with torch.no_grad():
...     alphas = model(**inputs).alphas
>>> print(alphas.shape)
torch.Size([1, 1, 640, 960])
< > Update on GitHub