segformer b0 finetuned ade 512 512

提供商Xenova
分类image-segmentation
许可证Apache-2.0
下载量1.7K
星标0

简介

SegFormer-B0 是一个轻量级的语义分割模型，该版本经过 ADE20K 数据集微调，支持 512x512 分辨率输入。它将 Transformer 的全局感知能力与分层结构相结合，有效解决了传统 CNN 在分割任务中感受野不足的问题。对于中国开发者而言，B0 是该系列中最小的型号，推理速度极快，非常适合部署在端侧设备或对实时性要求较高的视觉应用中。如果你需要快速实现图像背景剥离或物体区域识别，且不希望承担沉重的计算开销，这是一个理想的入门级选择。

核心亮点

  • 轻量化架构，端侧部署推理速度极快
  • 基于 ADE20K 微调，支持多种常见场景语义分割
  • 兼顾全局上下文感知与局部细节还原
  • Apache-2.0 协议，商业集成无压力

使用方法

安装依赖
# 安装 Hugging Face transformers
pip install transformers torch
SDK 使用
# 使用 transformers 加载模型
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("Xenova/segformer-b0-finetuned-ade-512-512")
tokenizer = AutoTokenizer.from_pretrained("Xenova/segformer-b0-finetuned-ade-512-512")

Hugging Face 下载

我们推荐使用命令行或者 Hugging Face Hub SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 huggingface_hub：

操作指引 
pip install -U huggingface_hub

命令行下载

下载完整模型库

下载完整模型库 
huggingface-cli download Xenova/segformer-b0-finetuned-ade-512-512

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例）

下载单个文件到指定本地文件夹（以下载 config.json 到当前路径下 ./dir 目录为例） 
huggingface-cli download Xenova/segformer-b0-finetuned-ade-512-512 config.json --local-dir ./dir

更多命令行下载选项，可参见官方文档

SDK 下载

SDK 下载 
# 模型下载
from huggingface_hub import snapshot_download
model_dir = snapshot_download('Xenova/segformer-b0-finetuned-ade-512-512')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://huggingface.co/Xenova/segformer-b0-finetuned-ade-512-512

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/Xenova/segformer-b0-finetuned-ade-512-512

模型文件托管在 Hugging Face Hub，使用 HF CLI / SDK / Git 直接下载，不经过本站。

PyTorch / Transformers 使用

安装 Transformers

安装 Transformers 
pip install -U transformers torch

模型加载和推理

模型加载和推理 
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained('Xenova/segformer-b0-finetuned-ade-512-512')
tokenizer = AutoTokenizer.from_pretrained('Xenova/segformer-b0-finetuned-ade-512-512')

模型下载

我们推荐使用命令行或者 ModelScope SDK 来进行模型的下载。

操作指引：在下载前，请先通过如下命令安装 ModelScope：

操作指引 
pip install modelscope

命令行下载

下载完整模型库

下载完整模型库 
modelscope download --model Xenova/segformer-b0-finetuned-ade-512-512

下载单个文件到指定本地文件夹（以下载 README.md 到当前路径下 dir 目录为例）

下载单个文件到指定本地文件夹（以下载 README.md 到当前路径下 dir 目录为例） 
modelscope download --model Xenova/segformer-b0-finetuned-ade-512-512 README.md --local_dir ./dir

更多更丰富的命令行下载选项，可参见具体文档

SDK 下载

SDK 下载 
# 模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('Xenova/segformer-b0-finetuned-ade-512-512')

Git 下载

请确保 lfs 已经被正确安装

Git 下载 
git lfs install
git clone https://www.modelscope.cn/Xenova/segformer-b0-finetuned-ade-512-512.git

如果您希望跳过 lfs 大文件下载，可以使用如下命令

跳过 LFS 
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/Xenova/segformer-b0-finetuned-ade-512-512.git

ModelScope 模型页直接下载模型文件；无需将模型文件放在本站服务器。

Notebook 快速开发

下载并安装 ModelScope library

下载并安装 ModelScope library 
pip install "modelscope[audio,cv,nlp,multi-modal,science]" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

模型加载和推理

模型加载和推理 
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

p = pipeline('text-generation', 'Xenova/segformer-b0-finetuned-ade-512-512')

完整文档

来源: HuggingFace

---
base_model: nvidia/segformer-b0-finetuned-ade-512-512
library_name: transformers.js
pipeline_tag: image-segmentation
---

https://huggingface.co/nvidia/segformer-b0-finetuned-ade-512-512 with ONNX weights to be compatible with Transformers.js.

Usage (Transformers.js)

If you haven't already, you can install the Transformers.js JavaScript library from NPM using:

bash
npm i @huggingface/transformers

Example: Image segmentation with Xenova/segformer-b0-finetuned-ade-512-512.

js
import { pipeline } from '@huggingface/transformers';

// Create an image segmentation pipeline
const segmenter = await pipeline('image-segmentation', 'Xenova/segformer-b0-finetuned-ade-512-512');


// Segment an image
const url = 'https://huggingface.co/datasets/Xenova/transformers.js-docs/resolve/main/house.jpg';
const output = await segmenter(url);
console.log(output)
// [
//   {
//     score: null,
//     label: 'wall',
//     mask: RawImage { ... }
//   },
//   {
//     score: null,
//     label: 'building',
//     mask: RawImage { ... }
//   },
//   ...
// ]

You can visualize the outputs with:

js
for (const l of output) {
  l.mask.save(${l.label}.png);
}

---

Note: Having a separate repo for ONNX weights is intended to be a temporary solution until WebML gains more traction. If you would like to make your models web-ready, we recommend converting to ONNX using 🤗 Optimum and structuring your repo like this one (with ONNX weights located in a subfolder named onnx).

查看官方来源