Transformers documentation
SAM2
이 모델은 2025-08-14에 Hugging Face Transformers에 기여되었습니다.
SAM2
개요
SAM2(Segment Anything Model 2)는 Nikhila Ravi, Valentin Gabeur, Yuan-Ting Hu, Ronghang Hu, Chaitanya Ryali, Tengyu Ma, Haitham Khedr, Roman Rädle, Chloe Rolland, Laura Gustafson, Eric Mintun, Junting Pan, Kalyan Vasudev Alwala, Nicolas Carion, Chao-Yuan Wu, Ross Girshick, Piotr Dollár, Christoph Feichtenhofer가 Segment Anything in Images and Videos에서 제안했습니다.
모델은 입력 이미지 또는 비디오와 입력 점 또는 바운딩 박스를 제공하면 관심 대상인 모든 객체의 분할 마스크를 예측하는 데 사용할 수 있습니다.
해당 논문의 초록은 다음과 같습니다:
Segment Anything Model 2(SAM 2)를 소개합니다. SAM 2는 이미지와 비디오에서 프롬프트 기반 시각 분할을 해결하기 위한 파운데이션 모델입니다. 사용자 상호작용을 통해 모델과 데이터를 개선하는 데이터 엔진을 구축하여, 지금까지 수집된 최대 규모의 비디오 분할 데이터셋을 확보했습니다. 본 모델은 실시간 비디오 처리를 위한 스트리밍 메모리를 갖춘 단순한 트랜스포머 아키텍처입니다. 해당 데이터로 학습된 SAM 2는 다양한 작업에서 강력한 성능을 제공합니다. 비디오 분할에서는 기존 접근법보다 3배 적은 상호작용으로 더 높은 정확도를 달성했습니다. 이미지 분할에서는 Segment Anything Model(SAM)보다 정확도가 높고 6배 빠릅니다. 본 데이터, 모델 및 인사이트가 비디오 분할 및 관련 인식 작업의 중요한 이정표가 될 것이라고 믿습니다. 모델 버전, 데이터셋 및 인터랙티브 데모를 공개합니다.
팁:
- Batch & Video Support: SAM2는 배치 처리와 시ーム리스 비디오 분할을 네이티브로 지원하며, 원본 SAM은 정적 이미지와 한 번에 하나의 이미지를 처리하는 단순한 워크플로우를 위해 설계되었습니다.
- Accuracy & Generalization: SAM2는 원래 SAM과 비교하여, 특히 혼합 프롬프트를 사용할 때 분할 품질, 견고성, 새로운 도메인에 대한 제로샷 일반화 성능이 향상되었습니다.
이 모델은 sangbumchoi와 yonigozlan이 기여했습니다. 원본 코드는 여기에서 찾을 수 있습니다.
사용 예시
Pipeline을 이용한 자동 마스크 생성
SAM2는 mask-generation 파이프라인을 사용하여 이미지 내 모든 객체를 분할하기 위한 자동 마스크 생성에 사용할 수 있습니다:
from transformers import pipeline
generator = pipeline("mask-generation", model="facebook/sam2.1-hiera-large", device=0)
image_url = "https://huggingface.co/datasets/hf-internal-testing/sam2-fixtures/resolve/main/truck.jpg"
outputs = generator(image_url, points_per_batch=64)
len(outputs["masks"]) # Number of masks generated
39기본 이미지 분할
단일 클릭
…
from transformers import Sam2Processor, Sam2Model
import torch
from PIL import Image
import requests
model = Sam2Model.from_pretrained("facebook/sam2.1-hiera-large", device_map="auto")
processor = Sam2Processor.from_pretrained("facebook/sam2.1-hiera-large")
image_url = "https://huggingface.co/datasets/hf-internal-testing/sam2-fixtures/resolve/main/truck.jpg"
raw_image = Image.open(requests.get(image_url, stream=True).raw).convert("RGB")
input_points = [[[[500, 375]]]] # Single point click, 4 dimensions (image_dim, object_dim, point_per_object_dim, coordinates)
input_labels = [[[1]]] # 1 for positive click, 0 for negative click, 3 dimensions (image_dim, object_dim, point_label)
inputs = processor(images=raw_image, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])[0]
# The model outputs multiple mask predictions ranked by quality score
print(f"Generated {masks.shape[1]} masks with shape {masks.shape}")
Generated 3 masks with shape torch.Size(1, 3, 1500, 2250)정교화를 위한 여러 포인트
세분화를 정밀하게 조정하기 위해 여러 지점을 제공할 수 있습니다:
# Add both positive and negative points to refine the mask
input_points = [[[[500, 375], [1125, 625]]]] # Multiple points for refinement
input_labels = [[[1, 1]]] # Both positive clicks
inputs = processor(images=raw_image, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])[0]Bounding Box 입력
SAM2는 분할을 위한 바운딩 박스 입력도 지원합니다:
# Define bounding box as [x_min, y_min, x_max, y_max]
input_boxes = [[[75, 275, 1725, 850]]]
inputs = processor(images=raw_image, input_boxes=input_boxes, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])[0]다중 객체 분할
여러 개체를 동시에 세그먼트할 수 있습니다:
# Define points for two different objects
input_points = [[[[500, 375]], [[650, 750]]]] # Points for two objects in same image
input_labels = [[[1], [1]]] # Positive clicks for both objects
inputs = processor(images=raw_image, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs, multimask_output=False)
# Each object gets its own mask
masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])[0]
print(f"Generated masks for {masks.shape[0]} objects")
Generated masks for 2 objects배치 추론
배치된 이미지
효율성을 높이기 위해 여러 이미지를 동시에 처리합니다:
from transformers import Sam2Processor, Sam2Model
import torch
from PIL import Image
import requests
model = Sam2Model.from_pretrained("facebook/sam2.1-hiera-large", device_map="auto")
processor = Sam2Processor.from_pretrained("facebook/sam2.1-hiera-large")
# Load multiple images
image_urls = [
"https://huggingface.co/datasets/hf-internal-testing/sam2-fixtures/resolve/main/truck.jpg",
"https://huggingface.co/datasets/hf-internal-testing/transformers-synthetic-assets/resolve/main/images/dog_sam.png"
]
raw_images = [Image.open(requests.get(url, stream=True).raw).convert("RGB") for url in image_urls]
# Single point per image
input_points = [[[[500, 375]]], [[[770, 200]]]] # One point for each image
input_labels = [[[1]], [[1]]] # Positive clicks for both images
inputs = processor(images=raw_images, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs, multimask_output=False)
# Post-process masks for each image
all_masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])
print(f"Processed {len(all_masks)} images, each with {all_masks[0].shape[0]} objects")
Processed 2 images, each with 1 objects이미지당 배치된 개체
이미지별로 여러 개체를 세그먼트하기 위해 배치 추론을 사용합니다:
# Multiple objects per image - different numbers of objects per image
input_points = [
[[[500, 375]], [[650, 750]]], # Truck image: 2 objects
[[[770, 200]]] # Dog image: 1 object
]
input_labels = [
[[1], [1]], # Truck image: positive clicks for both objects
[[1]] # Dog image: positive click for the object
]
inputs = processor(images=raw_images, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs, multimask_output=False)
all_masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])배치된 이미지와 배치된 객체, 여러 지점
개체당 여러 지점을 포함하는 복잡한 배치 시나리오를 처리합니다:
# Add groceries image for more complex example
groceries_url = "https://huggingface.co/datasets/hf-internal-testing/sam2-fixtures/resolve/main/groceries.jpg"
groceries_image = Image.open(requests.get(groceries_url, stream=True).raw).convert("RGB")
raw_images = [raw_images[0], groceries_image] # Use truck and groceries images
# Complex batching: multiple images, multiple objects, multiple points per object
input_points = [
[[[500, 375]], [[650, 750]]], # Truck image: 2 objects with 1 point each
[[[400, 300]], [[630, 300], [550, 300]]] # Groceries image: obj1 has 1 point, obj2 has 2 points
]
input_labels = [
[[1], [1]], # Truck image: positive clicks
[[1], [1, 1]] # Groceries image: positive clicks for refinement
]
inputs = processor(images=raw_images, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs, multimask_output=False)
all_masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])배치된 바운딩 박스
바운딩 박스 입력을 사용하여 여러 이미지를 처리합니다:
# Multiple bounding boxes per image (using truck and groceries images)
input_boxes = [
[[75, 275, 1725, 850], [425, 600, 700, 875], [1375, 550, 1650, 800], [1240, 675, 1400, 750]], # Truck image: 4 boxes
[[450, 170, 520, 350], [350, 190, 450, 350], [500, 170, 580, 350], [580, 170, 640, 350]] # Groceries image: 4 boxes
]
# Update images for this example
raw_images = [raw_images[0], groceries_image] # truck and groceries
inputs = processor(images=raw_images, input_boxes=input_boxes, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs, multimask_output=False)
all_masks = processor.post_process_masks(outputs.pred_masks.cpu(), inputs["original_sizes"])
print(f"Processed {len(input_boxes)} images with {len(input_boxes[0])} and {len(input_boxes[1])} boxes respectively")
Processed 2 images with 4 and 4 boxes respectively이전 마스크를 입력으로 사용
SAM2는 이전 예측의 마스크를 입력으로 사용하여 분할을 정교하게 만들 수 있습니다:
# Get initial segmentation
input_points = [[[[500, 375]]]]
input_labels = [[[1]]]
inputs = processor(images=raw_image, input_points=input_points, input_labels=input_labels, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
# Use the best mask as input for refinement
mask_input = outputs.pred_masks[:, :, torch.argmax(outputs.iou_scores.squeeze())]
# Add additional points with the mask input
new_input_points = [[[[500, 375], [450, 300]]]]
new_input_labels = [[[1, 1]]]
inputs = processor(
input_points=new_input_points,
input_labels=new_input_labels,
original_sizes=inputs["original_sizes"],
return_tensors="pt",
).to(model.device)
with torch.no_grad():
refined_outputs = model(
**inputs,
input_masks=mask_input,
image_embeddings=outputs.image_embeddings,
multimask_output=False,
)Sam2Config
class transformers.Sam2Config
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneprompt_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonemask_decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneinitializer_range: float = 0.02 )
매개변수
- vision_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 선택) — 비전 백본의 config 객체 또는 사전입니다. - prompt_encoder_config (Union[
dict,Sam2PromptEncoderConfig], 선택) — Sam2PromptEncoderConfig를 초기화하는 데 사용되는 구성 옵션의 사전. - mask_decoder_config (Union[
dict,Sam2MaskDecoderConfig], 선택) — Sam2MaskDecoderConfig를 초기화하는 데 사용되는 설정 옵션의 사전. - initializer_range (
float, 선택 사항, 기본값0.02) — 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.
이것은 Sam2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 facebook/sam2.1-hiera-tiny와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
예:
>>> from transformers import (
... Sam2VisionConfig,
... Sam2PromptEncoderConfig,
... Sam2MaskDecoderConfig,
... Sam2Model,
... )
>>> # Initializing a Sam2Config with `"facebook/sam2.1_hiera_tiny"` style configuration
>>> configuration = Sam2Config()
>>> # Initializing a Sam2Model (with random weights) from the `"facebook/sam2.1_hiera_tiny"` style configuration
>>> model = Sam2Model(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a Sam2Config from a Sam2VisionConfig, Sam2PromptEncoderConfig, and Sam2MaskDecoderConfig
>>> # Initializing SAM2 vision encoder, memory attention, and memory encoder configurations
>>> vision_config = Sam2VisionConfig()
>>> prompt_encoder_config = Sam2PromptEncoderConfig()
>>> mask_decoder_config = Sam2MaskDecoderConfig()
>>> config = Sam2Config(vision_config, prompt_encoder_config, mask_decoder_config)Sam2HieraDetConfig
클래스 transformers.Sam2HieraDetConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 96num_attention_heads: int = 1num_channels: int = 3image_size: int | list[int] | None = Nonepatch_kernel_size: int | list[int] | None = Nonepatch_stride: int | list[int] | None = Nonepatch_padding: int | list[int] | None = Nonequery_stride: int | list[int] | None = Nonewindow_positional_embedding_background_size: list[int] | None = Nonenum_query_pool_stages: int = 3blocks_per_stage: list[int] | None = Noneembed_dim_per_stage: list[int] | None = Nonenum_attention_heads_per_stage: list[int] | None = Nonewindow_size_per_stage: list[int] | None = Noneglobal_attention_blocks: list[int] | None = Nonemlp_ratio: float = 4.0hidden_act: str = 'gelu'layer_norm_eps: float = 1e-06initializer_range: float = 0.02 )
매개변수
- hidden_size (
int, 선택 사항, 기본값96) — 숨겨진 표현의 차원입니다. - num_attention_heads (
int, 선택 사항, 기본값1) — Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. - num_channels (
int, 선택 사항, 기본값3) — 입력 채널의 수입니다. - image_size (
Union[int, list[int]], 선택) — 각 이미지의 크기(해상도)입니다. - patch_kernel_size (
list[int], 선택 사항, 기본값[7, 7]) — 패치의 커널 크기입니다. - patch_stride (
list[int], 선택 사항, 기본값[4, 4]) — 패치의 스트라이드입니다. - patch_padding (
list[int], 선택 사항, 기본값[3, 3]) — 패치의 패딩입니다. - query_stride (
list[int], 선택 사항, 기본값[2, 2]) — 단계 간의 다운샘플링 스트라이드입니다. - window_positional_embedding_background_size (
list[int], 선택 사항, 기본값[7, 7]) — global attention을 사용하지 않을 때 단계별 window size입니다. - num_query_pool_stages (
int, 선택 사항, 기본값 3) — query pool 단계의 수입니다. - blocks_per_stage (
list[int], 선택 사항, 기본값[1, 2, 7, 2]) — 각 단계의 블록 수입니다. - embed_dim_per_stage (
list[int], 선택 사항, 기본값[96, 192, 384, 768]) — 각 단계별 임베딩 차원입니다. - num_attention_heads_per_stage (
list[int], 선택 사항, 기본값[1, 2, 4, 8]) — 각 단계별 attention head 수입니다. - window_size_per_stage (
list[int], 선택 사항, 기본값[8, 4, 14, 7]) — 각 단계별 윈도우 크기입니다. - global_attention_blocks (
list[int], 선택 사항, 기본값[5, 7, 9]) — global attention이 사용되는 블록입니다. - mlp_ratio (
float, 선택 사항, 기본값4.0) — 임베딩 차원에 대한 MLP 숨겨진 차원의 비율입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - layer_norm_eps (
float, 선택 사항, 기본값1e-06) — 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. - initializer_range (
float, 선택 사항, 기본값0.02) — 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.
이것은 Sam2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 facebook/sam2.1-hiera-tiny와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam2VisionConfig
클래스 transformers.Sam2VisionConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonebackbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonebackbone_channel_list: list[int] | None = Nonebackbone_feature_sizes: list | None = Nonefpn_hidden_size: int = 256fpn_kernel_size: int = 1fpn_stride: int = 1fpn_padding: int = 0fpn_top_down_levels: list[int] | None = Nonenum_feature_levels: int = 3hidden_act: str = 'gelu'layer_norm_eps: float = 1e-06initializer_range: float = 0.02 )
매개변수
- backbone_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 선택) — backbone 모델의 설정입니다. - backbone_channel_list (
List[int], 선택 사항, 기본값[768, 384, 192, 96]) — backbone의 채널 차원 목록입니다. - backbone_feature_sizes (
List[List[int]], 선택 사항, 기본값[[256, 256], [128, 128], [64, 64]]) — backbone에서 생성된 feature map의 공간적 크기입니다. - fpn_hidden_size (
int, 선택 사항, 기본값 256) — FPN의 숨겨진 차원입니다. - fpn_kernel_size (
int, 선택 사항, 기본값 1) — Neck의 합성곱에 사용되는 커널 크기입니다. - fpn_stride (
int, 선택 사항, 기본값 1) — neck의 합성곱에 사용되는 stride입니다. - fpn_padding (
int, 선택 사항, 기본값 0) — Neck의 합성곱에 사용되는 패딩입니다. - fpn_top_down_levels (
List[int], 선택 사항, 기본값[2, 3]) — 상향식 FPN 연결에 사용할 레벨입니다. - num_feature_levels (
int, 선택 사항, 기본값 3) — 사용할 FPN의 feature level 수입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - layer_norm_eps (
float, 선택 사항, 기본값1e-06) — 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. - initializer_range (
float, 선택 사항, 기본값0.02) — 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.
이것은 Sam2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 facebook/sam2.1-hiera-tiny와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam2MaskDecoderConfig
클래스 transformers.Sam2MaskDecoderConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 256hidden_act: str = 'gelu'mlp_dim: int = 2048num_hidden_layers: int = 2num_attention_heads: int = 8attention_downsample_rate: int = 2num_multimask_outputs: int = 3iou_head_depth: int = 3iou_head_hidden_dim: int = 256dynamic_multimask_via_stability: bool = Truedynamic_multimask_stability_delta: float = 0.05dynamic_multimask_stability_thresh: float = 0.98 )
매개변수
- hidden_size (
int, 선택 사항, 기본값256) — 숨겨진 표현의 차원입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - mlp_dim (
int, 선택 사항, 기본값 2048) — 양방향 transformer의 MLP 차원입니다. - num_hidden_layers (
int, 선택 사항, 기본값2) — Transformer decoder의 숨겨진 레이어 수. - num_attention_heads (
int, 선택 사항, 기본값8) — Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. - attention_downsample_rate (
int, 선택 사항, 기본값 2) — attention 레이어의 다운샘플링 비율입니다. - num_multimask_outputs (
int, 선택 사항, 기본값 3) — 멀티마스크 출력의 개수입니다. - iou_head_depth (
int, 선택 사항, 기본값 3) — IoU head의 깊이입니다. - iou_head_hidden_dim (
int, 선택 사항, 기본값 256) — IoU head의 hidden dimension입니다. - dynamic_multimask_via_stability (
bool, 선택 사항, 기본값True) — stability를 통한 dynamic multimask를 사용할지 여부입니다. - dynamic_multimask_stability_delta (
float, 선택 사항, 기본값 0.05) — 동적 멀티마스크의 안정성 델타입니다. - dynamic_multimask_stability_thresh (
float, 선택 사항, 기본값 0.98) — 동적 멀티마스크의 안정성 임계값입니다.
이것은 Sam2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 facebook/sam2.1-hiera-tiny와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam2PromptEncoderConfig
클래스 transformers.Sam2PromptEncoderConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 256image_size: int | list[int] | tuple[int, int] = 1024patch_size: int | list[int] | tuple[int, int] = 16mask_input_channels: int = 16num_point_embeddings: int = 4hidden_act: str = 'gelu'layer_norm_eps: float = 1e-06scale: int = 1 )
매개변수
- hidden_size (
int, 선택 사항, 기본값256) — 숨겨진 표현의 차원입니다. - image_size (
Union[int, list[int], tuple[int, int]], 선택, 기본값1024) — 각 이미지의 크기(해상도)입니다. - patch_size (
Union[int, list[int], tuple[int, int]], 선택 사항, 기본값16) — 각 패치의 크기(해상도)입니다. - mask_input_channels (
int, 선택 사항, 기본값 16) —MaskDecoder모듈에 전달될 채널 수입니다. - num_point_embeddings (
int, 선택 사항, 기본값 4) — 사용할 point embedding의 개수입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - layer_norm_eps (
float, 선택 사항, 기본값1e-06) — 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. - scale (
float, 선택 사항, 기본값 1) — 프롬프트 인코더의 스케일 팩터입니다.
이것은 Sam2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam2 모델을 인스턴스화하고 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 facebook/sam2.1-hiera-tiny와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam2Processor
클래스 transformers.Sam2Processor
< source >( image_processortarget_size: int | None = Nonepoint_pad_value: int = -10**kwargs )
매개변수
- image_processor (
Sam2ImageProcessor) — 이미지 프로세서는 필수 입력값입니다. - target_size (
int, 선택 사항) — 입력 점과 바운딩 박스를 정규화할 때 사용할 목표 크기(픽셀 단위)입니다. 지정하지 않으면 이미지 프로세서의 size 설정 값이 기본값으로 사용됩니다. 모델에 전달되기 전에 모든 입력 좌표(점과 박스)는 이 크기로 정규화됩니다. 이를 통해 원본 이미지의 차원과 관계없이 일관된 좌표 표현을 보장합니다. - point_pad_value (
int, 선택 사항, 기본값 -10) — 길이가 다른 시퀀스를 배치할 때 입력 포인트를 패딩하는 데 사용되는 값입니다. 이 값은 패딩된 위치를 표시하는 데 사용되며, 좌표 정규화 과정에서도 유지됩니다.
Sam2Processor를 생성하여 이미지 프로세서를 단일 프로세서로 래핑합니다.
Sam2Processor는 Sam2ImageProcessor의 모든 기능을 제공합니다. 자세한 내용은 ~Sam2ImageProcessor를 참고하세요.
__call__
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonesegmentation_maps: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Noneinput_points: typing.Union[list[list[list[list[float]]]], torch.Tensor, NoneType] = Noneinput_labels: typing.Union[list[list[list[int]]], torch.Tensor, NoneType] = Noneinput_boxes: typing.Union[list[list[list[float]]], torch.Tensor, NoneType] = Noneoriginal_sizes: typing.Union[list[list[float]], torch.Tensor, NoneType] = Nonereturn_tensors: str | transformers.utils.generic.TensorType | None = None**kwargs ) → A BatchEncoding with the following fields
매개변수
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], 선택) — 전처리할 이미지입니다. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 사이인 이미지를 전달하는 경우do_rescale=False로 설정하세요. - segmentation_maps (
ImageInput, 선택 사항) — 처리할 분할 맵입니다. - input_points (
list[list[list[list[float]]]],torch.Tensor, 선택 사항) — 프레임에 추가할 점들입니다. - input_labels (
list[list[list[int]]],torch.Tensor, 선택 사항) — 점들의 라벨입니다. - input_boxes (
list[list[list[float]]],torch.Tensor, 선택 사항) — 프레임에 추가할 바운딩 박스입니다. - original_sizes (
list[list[float]],torch.Tensor, 선택 사항) — 이미지의 원래 크기입니다. - return_tensors (
Union[str, ~utils.generic.TensorType], 선택 사항) — 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다:'pt': PyTorchtorch.Tensor객체를 반환합니다.'np': NumPynp.ndarray객체를 반환합니다.
반환값
다음 필드를 가진 BatchEncoding
pixel_values(torch.Tensor): 처리된 이미지(들).original_sizes(list[list[float]]): 이미지의 원래 크기입니다.labels(torch.Tensor): 처리된 분할 맵(제공된 경우).input_points(torch.Tensor): 처리된 포인트.input_labels(torch.Tensor): 처리된 라벨입니다.input_boxes(torch.Tensor): 처리된 바운딩 박스입니다.
post_process_masks
< source >( masksoriginal_sizesmask_threshold = 0.0binarize = Truemax_hole_area = 0.0max_sprinkle_area = 0.0apply_non_overlapping_constraints = False**kwargs ) → (torch.Tensor)
매개변수
- masks (
Union[List[torch.Tensor], List[np.ndarray]]) — (batch_size, num_channels, height, width) 형식의 mask_decoder에서 가져온 배치된 마스크. - original_sizes (
Union[torch.Tensor, List[Tuple[int,int]]]) — 모델의 예상 입력 형식으로 리사이즈되기 전 각 이미지의 원래 크기입니다. (height, width) 형식으로 제공됩니다. - mask_threshold (
float, 선택 사항, 기본값 0.0) — 이진화 및 후처리 작업에 사용되는 임계값. - binarize (
bool, 선택, 기본값True) — 마스크를 바이너리화할지 여부입니다. - max_hole_area (
float, 선택, 기본값 0.0) — 채울 구멍의 최대 면적입니다. - max_sprinkle_area (
float, 선택 사항, 기본값 0.0) — 채울 sprinkle의 최대 면적입니다. - apply_non_overlapping_constraints (
bool, 선택 사항, 기본값False) — 마스크에 겹치지 않는(non-overlapping) 제약 조건을 적용할지 여부입니다.
반환값
(torch.Tensor)
batch_size, num_channels, height, width 형식의 배치된 마스크입니다. 여기서 (height, width)는 original_size로 지정됩니다.
패딩을 제거하고 마스크를 원래 이미지 크기로 업스케일링합니다.
Sam2ImageProcessor
class transformers.Sam2ImageProcessor
< source >( **kwargs: *<class 'transformers.models.sam2.image_processing_sam2.Sam2ImageProcessorKwargs'> )
매개변수
- do_convert_rgb (
bool, kwargs, 선택 사항, 기본값True) — 이미지를 RGB로 변환할지 여부. - do_resize (
bool, kwargs, 선택 사항, 기본값True) — 이미지를 리사이즈할지 여부. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, 기본값{'height' -- 1024, 'width': 1024}): 모델에 전달되는 최대 입력 차원을 설명합니다. - default_to_square (
bool, kwargs, 선택 사항, 기본값True) — size가 int인 경우 리사이즈 시 정사각형 이미지로 기본 설정할지 여부입니다. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) —center_crop을 적용한 후 출력 이미지의 크기. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, 기본값2) — 이미지 크기를 조정할 때 사용할 리샘플링 필터입니다.PILImageResamplingenum 중 하나를 사용할 수 있습니다.do_resize가True로 설정된 경우에만 효과가 있습니다. - do_rescale (
bool, kwargs, 선택, 기본값True) — 이미지를 다시 스케일링할지 여부. - rescale_factor (
float, kwargs, 선택 사항, 기본값0.00392156862745098) —do_rescale이True로 설정된 경우 이미지를 재조정(rescale)하는 데 사용할 재조정 계수입니다. - do_normalize (
bool, kwargs, 선택, 기본값True) — 이미지를 정규화할지 여부. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, 선택, 기본값[0.485, 0.456, 0.406]) — 정규화에 사용할 이미지 평균입니다.do_normalize가True로 설정된 경우에만 효과가 있습니다. - image_std (
Union[float, list[float], tuple[float, ...]], kwargs, 선택, 기본값[0.229, 0.224, 0.225]) — 정규화에 사용할 이미지 표준 편차입니다.do_normalize가True로 설정된 경우에만 효과가 있습니다. - do_pad (
bool, kwargs, 선택, 기본값None) — 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나, 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, 기본값None) —{"height": int, "width" int}형식으로 이미지를 패딩할 크기를 지정합니다. 전처리 시 제공된 모든 이미지 크기보다 커야 합니다.pad_size가 제공되지 않으면, 배치 내 가장 큰 높이와 너비로 패딩됩니다.do_pad=True.일 때만 적용됩니다. - do_center_crop (
bool, kwargs, 선택) — 이미지를 중앙으로 크롭할지 여부. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, 선택 사항) —ChannelDimension.FIRST만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, 선택 사항) — 입력 이미지의 채널 차원 형식입니다. 설정되지 않으면 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다:"channels_first"또는ChannelDimension.FIRST: (num_channels, height, width) 형식의 이미지."channels_last"또는ChannelDimension.LAST: (height, width, num_channels) 형식의 이미지."none"또는ChannelDimension.NONE: (height, width) 형식의 이미지.
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — 동영상을 처리할 장치입니다. 설정되지 않은 경우, 입력 동영상에서 장치를 추론합니다. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) —'pt'로 설정된 경우 스택된 텐서를 반환하고, 그렇지 않으면 텐서 목록을 반환합니다. - disable_grouping (
bool, kwargs, 선택 사항) — 이미지를 크기에 따라 그룹화하는 것을 비활성화하여 배치 대신 개별적으로 처리할지 여부입니다. None인 경우, 이미지가 CPU에 있으면 True, 그렇지 않으면 False로 설정됩니다. 이 선택은 https://github.com/huggingface/transformers/pull/38157에 자세히 설명된 경험적 관찰에 기반합니다. - image_seq_length (
int, kwargs, 선택 사항) — 입력에서 각 이미지에 사용할 이미지 토큰의 수입니다. 하위 호환성을 위해 추가되었지만, 향후 모델에서는 프로세서 속성으로 설정해야 합니다. - mask_size (
dict[str, *kwargs*, int], 선택) — 세그멘테이션 맵을 리사이즈할 크기{"height": int, "width": int}.
Sam2ImageProcessor 이미지 프로세서를 생성합니다.
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]segmentation_maps: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None**kwargs: *<class 'transformers.models.sam2.image_processing_sam2.Sam2ImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature
매개변수
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — 전처리할 이미지. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 사이인 이미지를 전달하는 경우do_rescale=False로 설정하세요. - segmentation_maps (
ImageInput, 선택 사항) — 전처리할 분할 맵입니다. - do_convert_rgb (
bool, kwargs, 선택 사항) — 이미지를 RGB로 변환할지 여부입니다. - do_resize (
bool, kwargs, 선택) — 이미지를 리사이즈할지 여부. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — 모델의 최대 입력 차원을 설명합니다. - default_to_square (
bool, kwargs, 선택 사항) — size가 int인 경우 리사이즈 시 정사각형 이미지로 기본 설정할지 여부. - crop_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) —center_crop을 적용한 후 출력 이미지의 크기. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — 이미지를 리사이즈할 경우 사용할 리샘플링 필터입니다. 이는PILImageResamplingenum 중 하나일 수 있습니다.do_resize가True로 설정된 경우에만 효과가 있습니다. - do_rescale (
bool, kwargs, 선택 사항) — 이미지를 다시 스케일링할지 여부입니다. - rescale_factor (
float, kwargs, optional) —do_rescale이True로 설정된 경우 이미지를 리스케일하기 위한 리스케일 팩터입니다. - do_normalize (
bool, kwargs, optional) — 이미지를 정규화할지 여부. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, 선택) — 정규화에 사용할 이미지 평균입니다.do_normalize가True로 설정된 경우에만 효과가 있습니다. - image_std (
Union[float, list[float], tuple[float, ...]], kwargs, 선택) — 정규화에 사용할 이미지 표준 편차.do_normalize가True로 설정된 경우에만 효과가 있습니다. - do_pad (
bool, kwargs, optional) — 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나, 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다. - pad_size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — 이미지를 패딩할{"height": int, "width" int}크기를 지정합니다. 전처리용으로 제공된 모든 이미지 크기보다 커야 합니다.pad_size가 제공되지 않으면, 배치 내 가장 큰 높이와 너비로 패딩됩니다.do_pad=True.일 때만 적용됩니다. - do_center_crop (
bool, kwargs, 선택) — 이미지를 중앙으로 크롭할지 여부. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, 선택 사항) —ChannelDimension.FIRST만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, 선택 사항) — 입력 이미지의 채널 차원 형식입니다. 설정되지 않으면 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다:"channels_first"또는ChannelDimension.FIRST: (num_channels, height, width) 형식의 이미지."channels_last"또는ChannelDimension.LAST: (height, width, num_channels) 형식의 이미지."none"또는ChannelDimension.NONE: (height, width) 형식의 이미지.
- device (
Annotated[Union[str, torch.device, NoneType], None], kwargs) — 동영상을 처리할 장치입니다. 설정되지 않은 경우, 입력 동영상에서 장치를 추론합니다. - return_tensors (
Annotated[str | ~utils.generic.TensorType | None, None], kwargs) —'pt'로 설정된 경우 스택된 텐서를 반환하고, 그렇지 않으면 텐서 목록을 반환합니다. - disable_grouping (
bool, kwargs, 선택 사항) — 이미지를 크기에 따라 그룹화하는 것을 비활성화하여 배치 대신 개별적으로 처리할지 여부입니다. None인 경우, 이미지가 CPU에 있으면 True, 그렇지 않으면 False로 설정됩니다. 이 선택은 https://github.com/huggingface/transformers/pull/38157에 자세히 설명된 경험적 관찰에 기반합니다. - image_seq_length (
int, kwargs, 선택 사항) — 입력에서 각 이미지에 사용할 이미지 토큰의 수입니다. 하위 호환성을 위해 추가되었지만, 향후 모델에서는 프로세서 속성으로 설정해야 합니다. - mask_size (
dict[str, *kwargs*, int], 선택) — 세그멘테이션 맵을 리사이즈할 크기{"height": int, "width": int}.
반환값
~image_processing_base.BatchFeature
- data (
dict) — call 메서드가 반환하는 리스트/배열/텐서 딕셔너리(‘pixel_values’ 등). - tensor_type (
Union[None, str, TensorType], 선택 사항) — 초기화 시 PyTorch/Numpy 텐서에서 정수 목록을 변환하려면 여기에 tensor_type를 지정할 수 있습니다.
Sam2HieraDetModel
forward
< source >( pixel_values: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> )
Sam2VisionModel
class transformers.Sam2VisionModel
< source >( config: Sam2VisionConfig )
매개변수
- config (Sam2VisionConfig) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 연관된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 from_pretrained() 메서드를 확인하세요.
Sam의 비전 모델로, 상단에 헤드나 투영이 없는 상태입니다.
이 모델은 PreTrainedModel에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대한 세부 사항은 상위 클래스 문서를 확인하세요.
이 모델은 또한 PyTorch torch.nn.Module의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법 및 동작과 관련된 모든 사항은 PyTorch 문서를 참조하세요.
forward
< source >( pixel_values: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> )
Sam2Model
클래스 transformers.Sam2Model
< source >( config: Sam2Config )
매개변수
- config (Sam2Config) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 연관된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 from_pretrained() 메서드를 확인하세요.
입력 이미지와 입력 점 및 라벨, 박스 또는 마스크를 기반으로 분할 마스크를 생성하는 Segment Anything Model 2 (SAM 2).
이 모델은 PreTrainedModel에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대한 세부 사항은 상위 클래스 문서를 확인하세요.
이 모델은 또한 PyTorch torch.nn.Module의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법 및 동작과 관련된 모든 사항은 PyTorch 문서를 참조하세요.
forward
< source >( pixel_values: typing.Optional[torch.Tensor] = Noneinput_points: typing.Optional[torch.Tensor] = Noneinput_labels: typing.Optional[torch.LongTensor] = Noneinput_boxes: typing.Optional[torch.Tensor] = Noneinput_masks: typing.Optional[torch.LongTensor] = Noneimage_embeddings: typing.Optional[torch.Tensor] = Nonemultimask_output: bool = Trueattention_similarity: typing.Optional[torch.Tensor] = Nonetarget_embedding: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → Sam2ImageSegmentationOutput or tuple(torch.Tensor)
매개변수
- pixel_values (
torch.Tensor, shape(batch_size, num_channels, image_size, image_size), 선택 사항) — 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 Sam2ImageProcessor를 사용하여 얻을 수 있습니다. 자세한 내용은 Sam2ImageProcessor.call()를 참조하세요 (Sam2Processor는 이미지 처리에 Sam2ImageProcessor를 사용합니다). - input_points (
torch.Tensor, shape(batch_size, num_points, 2)) — 입력 2D 공간 점입니다. 프롬프트 인코더가 프롬프트를 인코딩하는 데 사용됩니다. 일반적으로 훨씬 더 나은 결과를 제공합니다. 이 점은 리스트의 리스트의 리스트를 프로세서에 전달하여 얻을 수 있으며, 프로세서는 차원이 4인 해당하는torch텐서를 생성합니다. 첫 번째 차원은 이미지 배치 크기, 두 번째 차원은 점 배치 크기(즉, 입력 점당 모델이 예측할 세그멘테이션 마스크의 개수), 세 번째 차원은 세그멘테이션 마스크당 점의 개수(단일 마스크에 여러 점을 전달할 수 있음)이며, 마지막 차원은 점의 x(수직) 및 y(수평) 좌표입니다. 이미지마다 또는 마스크마다 전달되는 점의 수가 서로 다른 경우, 프로세서는 (0, 0) 좌표에 해당하는 “PAD” 점을 생성하며, 라벨을 사용하여 이러한 점에 대한 임베딩 계산은 건너뜁니다. - input_labels (
torch.LongTensor형상(batch_size, point_batch_size, num_points)) — 포인트에 대한 입력 라벨입니다. 프롬프트 인코더가 프롬프트를 인코딩하는 데 사용됩니다. 공식 구현에 따르면 라벨은 3가지 유형이 있습니다.1: 해당 지점은 관심 대상이 포함된 지점입니다0: 관심 대상이 포함되지 않은 점-1: 해당 점은 배경에 해당
을 추가했습니다:
-10: 해당 점은 패딩 포인트이므로 프롬프트 인코더에서 무시해야 합니다
패딩 라벨은 프로세서에 의해 자동으로 처리되어야 합니다.
- input_boxes (
torch.Tensorshape(batch_size, num_boxes, 4)) — 을 가진 입력 박스입니다. 이 값은 프롬프트 인코더가 프롬프트를 인코딩하는 데 사용되며, 일반적으로 훨씬 더 나은 생성된 마스크를 제공합니다. 박스는 리스트의 리스트의 리스트를 프로세서에 전달하여 생성할 수 있으며, 이는torch텐서를 생성합니다. 각 차원은 각각 이미지 배치 크기, 이미지당 박스 수, 박스의 왼쪽 위 및 오른쪽 아래 점의 좌표에 해당합니다. 순서 (x1,y1,x2,y2):x1: 입력 박스의 왼쪽 위 점의 x 좌표y1: 입력 박스의 왼쪽 위 점의 y 좌표x2: 입력 박스의 오른쪽 아래 점의 x 좌표y2: 입력 박스의 오른쪽 아래 점의 y 좌표
- input_masks (
torch.Tensor, shape(batch_size, image_size, image_size)) — SAM 모델은 세그멘테이션 마스크도 입력으로 받습니다. 이 마스크는 프롬프트 인코더에 의해 임베딩되어 나중에 마스크 디코더에 전달되는 대응하는 임베딩을 생성합니다. 이러한 마스크는 사용자가 수동으로 제공해야 하며, shape가 (batch_size,image_size,image_size)여야 합니다. - image_embeddings (
torch.Tensor, shape(batch_size, output_channels, window_size, window_size)) — 이미지 임베딩입니다. 마스크 디코더가 마스크와 iou 점수를 생성하는 데 사용됩니다. 메모리 효율적인 계산을 위해, 사용자는 먼저get_image_embeddings메서드를 사용하여 이미지 임베딩을 가져온 다음,pixel_values대신 이를forward메서드에 전달할 수 있습니다. - multimask_output (
bool, 선택) — 원래 구현 및 논문에서는 모델이 항상 이미지당 3개의 마스크(해당하는 경우 점 또는 바운딩 박스당)를 출력합니다. 그러나multimask_output=False를 지정하면 “최적”의 마스크에 해당하는 단일 마스크만 출력할 수 있습니다. - attention_similarity (
torch.Tensor, 선택 사항) — 모델이 PerSAM에서 소개된 개인화 용도로 사용되는 경우, 대상 기반 주의를 위해 마스크 디코더에 제공되는 어텐션 유사성 텐서입니다. - target_embedding (
torch.Tensor, 선택 사항) — PerSAM에서 소개된 개인화 용도로 모델이 사용되는 경우, 대상 의미론적 프롬프팅을 위해 마스크 디코더에 제공되는 대상 개념 임베딩입니다.
반환값
Sam2ImageSegmentationOutput 또는 tuple(torch.Tensor)
Sam2ImageSegmentationOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(Sam2Config)과 입력에 따라 다양한 요소를 포함합니다.
Sam2Model의 forward 메서드는 __call__ 특수 메서드를 오버라이드합니다.
이 함수 내에서 forward pass의 레시피를 정의해야 하지만, 이후에는 이 함수 대신
Module인스턴스를 호출해야 합니다. 전자는 전처리 및 후처리 단계를 실행하는 것을 처리하는 반면, 후자는 이를 조용히 무시하기 때문입니다.
- iou_scores (
torch.Tensor, shape(batch_size, point_batch_size, num_masks)) — 예측된 마스크의 Intersection over Union(IoU) 점수입니다. - pred_masks (
torch.Tensor, shape(batch_size, point_batch_size, num_masks, height, width)) — 예측된 저해상도 마스크입니다. 이는low_res_masks의 별칭입니다. 이 마스크들은 프로세서에 의해 후처리되어 원래 이미지 크기로 조정되어야 합니다. - object_score_logits (
torch.Tensor, shape(batch_size, point_batch_size, 1)) — 객체가 존재하는지를 나타내는 객체 점수 logits. - image_embeddings (
tuple(torch.Tensor)) — mask decoder에서 사용되는 FPN의 특징입니다. 각 텐서의 shape가(batch_size, channels, height, width)인torch.Tensor의 tuple입니다. - vision_hidden_states (
tuple(torch.Tensor), 선택 사항,output_hidden_states=True일 때 반환됨) — 각 단계의 출력을 위한torch.Tensor튜플로, 모양은(batch_size, height, width, hidden_size)입니다. 각 단계의 출력에서 비전 모델의 hidden-states입니다. - vision_attentions (
tuple(torch.Tensor), 선택 사항,output_attentions=True일 때 반환됨) — 각 레이어마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, num_heads, sequence_length, sequence_length)입니다. 비전 모델의 어텐션 가중치입니다. - mask_decoder_attentions (
tuple(torch.Tensor), 선택 사항,output_attentions=True일 때 반환됨) — 각 레이어마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, num_heads, sequence_length, sequence_length)입니다. 마스크 디코더의 어텐션 가중치입니다.
예:
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import AutoModel, AutoProcessor
>>> model = AutoModel.from_pretrained("danelcsb/sam2.1_hiera_tiny")
>>> processor = AutoProcessor.from_pretrained("danelcsb/sam2.1_hiera_tiny")
>>> url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/sam-car.png"
>>> with httpx.stream("GET", url) as response:
... raw_image = Image.open(BytesIO(response.read())).convert("RGB")
>>> input_points = [[[400, 650]]] # 2D location of a window on the car
>>> inputs = processor(images=raw_image, input_points=input_points, return_tensors="pt")
>>> # Get segmentation mask
>>> outputs = model(**inputs)
>>> # Postprocess masks
>>> masks = processor.post_process_masks(
... outputs.pred_masks, inputs["original_sizes"]
... )get_image_features
< source >( pixel_values: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → Sam2VisionEncoderOutput or tuple(torch.Tensor)
매개변수
반환값
Sam2VisionEncoderOutput 또는 tuple(torch.Tensor)
Sam2VisionEncoderOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(Sam2Config)과 입력에 따라 다양한 요소를 포함합니다.
last_hidden_state (
torch.Tensor, shape(batch_size, height, width, hidden_size)) — 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.pooler_output (
torch.Tensor, shape(batch_size, hidden_size)) — 보조 사전 학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 후의 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전 학습 동안 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.hidden_states (
tuple(torch.Tensor), 선택 사항,output_hidden_states=True가 전달되거나config.output_hidden_states=True인 경우 반환됨) —torch.Tensor의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 모양은(batch_size, sequence_length, hidden_size)입니다.각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
attentions (
tuple(torch.Tensor), 선택 사항,output_attentions=True가 전달되었거나config.output_attentions=True인 경우 반환됨) — 각 레이어마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, num_heads, sequence_length, sequence_length)입니다.self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치.
fpn_hidden_states (
tuple(torch.Tensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다. Feature Pyramid Network neck에서 생성된 특징 맵입니다.fpn_position_encoding (
tuple(torch.Tensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)에 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다.fpn_hidden_states에 해당하는 위치 인코딩입니다.