Transformers documentation
EdgeTAM
이 모델은 2025-01-13에 HF papers에 게시되었으며, 2025-09-29에 Hugging Face Transformers에 기여되었습니다.
EdgeTAM
개요
EdgeTAM 모델은 EdgeTAM: On-Device Track Anything Model (Chong Zhou, Chenchen Zhu, Yunyang Xiong, Saksham Suri, Fanyi Xiao, Lemeng Wu, Raghuraman Krishnamoorthi, Bo Dai, Chen Change Loy, Vikas Chandra, Bilge Soran)에서 제안되었습니다.
EdgeTAM은 모바일 기기에서 실시간 비디오 분할을 위해 메모리 주의 메커니즘을 최적화하는 2D Spatial Perceiver 아키텍처를 도입한 SAM 2의 효율적인 적응 모델입니다.
해당 논문의 초록은 다음과 같습니다:
Segment Anything Model(SAM)을 기반으로 SAM 2는 메모리 뱅크 메커니즘을 통해 이미지에서 비디오 입력으로 기능을 확장하여 기존 방법 대비 뛰어난 성능을 달성함으로써 비디오 분할 작업의 기반 모델이 되었습니다. 본 논문에서는 SAM 2의 효율성을 크게 높여 모바일 기기에서도 실행 가능하면서도 유사한 성능을 유지할 수 있도록 하는 것을 목표로 합니다. SAM의 효율성을 최적화한 여러 연구가 있지만, SAM 2에는 충분하지 않다고 판단됩니다. 이는 기존 연구들이 모두 이미지 인코더 압축에 초점을 맞추고 있기 때문이며, 우리의 벤치마크는 새로 도입된 메모리 어텐션 블록이 또한 지연 시간의 병목 현상임을 보여줍니다. 이러한 관찰을 바탕으로, 우리는 새로운 2D Spatial Perceiver를 활용하여 계산 비용을 줄이는 EdgeTAM을 제안합니다. 특히, 제안된 2D Spatial Perceiver는 고정된 학습 가능한 쿼리 집합을 포함하는 경량 Transformer를 사용하여 밀도 있게 저장된 프레임 수준의 메모리를 인코딩합니다. 비디오 분할이 밀집 예측(dense prediction) 작업이므로, 메모리의 공간 구조를 보존하는 것이 필수적이라고 판단하여 쿼리를 글로벌 레벨과 패치 레벨 그룹으로 나누었습니다. 또한, 추론 오버헤드 없이 성능을 추가로 향상시키는 증류(distillation) 파이프라인을 제안합니다. 그 결과, EdgeTAM은 DAVIS 2017, MOSE, SA-V val, SA-V test에서 각각 87.7, 70.0, 72.3, 71.7의 J&F를 달성하는 동시에 iPhone 15 Pro Max에서 16 FPS로 실행됩니다.
이 모델은 yonigozlan이(가) 기여했습니다. 원본 코드는 여기에서 찾을 수 있습니다.
사용 예시
Pipeline을 이용한 자동 마스크 생성
EdgeTAM은 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="yonigozlan/edgetam-1", 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, EdgeTamModel
import torch
from PIL import Image
import requests
model = EdgeTamModel.from_pretrained("yonigozlan/edgetam-1", device_map="auto")
processor = Sam2Processor.from_pretrained("yonigozlan/edgetam-1")
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, 1200, 1800])
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.0463, 0.4859, 0.7616], device='cuda:0')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]
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.8362, 0.6900, 0.2120], device='cuda:0')Bounding Box 입력
EdgeTAM은 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]
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.9301, 0.9348, 0.6605], device='cuda: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 objects
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.7616, 0.9465], device='cuda:0')배치 추론
배치된 이미지
효율성을 높이기 위해 여러 이미지를 동시에 처리합니다:
from transformers import Sam2Processor, EdgeTamModel
import torch
from PIL import Image
import requests
model = EdgeTamModel.from_pretrained("yonigozlan/edgetam-1", device_map="auto")
processor = Sam2Processor.from_pretrained("yonigozlan/edgetam-1")
# 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 objects
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.7618, 0.7999], device='cuda:0')이미지당 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 respectively
print(f"IoU scores: {outputs.iou_scores.squeeze()}")
IoU scores: tensor([0.9301, 0.9348, 0.6605, 0.9465], device='cuda:0')이전 마스크를 입력으로 사용
EdgeTAM은 이전 예측의 마스크를 입력으로 사용하여 분할을 정밀화할 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,
)EdgeTamConfig
클래스 transformers.EdgeTamConfig
< 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,EdgeTamPromptEncoderConfig], 선택) — EdgeTamPromptEncoderConfig를 초기화하는 데 사용되는 설정 옵션의 사전. - mask_decoder_config (Union[
dict,EdgeTamMaskDecoderConfig], 선택) — EdgeTamMaskDecoderConfig를 초기화하는 데 사용되는 설정 옵션의 사전. - initializer_range (
float, 선택 사항, 기본값0.02) — 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.
이것은 EdgeTamModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Edgetam 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 yonigozlan/EdgeTAM-hf와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
예:
>>> from transformers import (
... EdgeTamVisionConfig,
... EdgeTamPromptEncoderConfig,
... EdgeTamMaskDecoderConfig,
... EdgeTamModel,
... )
>>> # Initializing a EdgeTamConfig with `"facebook/edgetam.1_hiera_tiny"` style configuration
>>> configuration = EdgeTamConfig()
>>> # Initializing a EdgeTamModel (with random weights) from the `"facebook/edgetam.1_hiera_tiny"` style configuration
>>> model = EdgeTamModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a EdgeTamConfig from a EdgeTamVisionConfig, EdgeTamPromptEncoderConfig, and EdgeTamMaskDecoderConfig
>>> # Initializing EDGETAM vision encoder, memory attention, and memory encoder configurations
>>> vision_config = EdgeTamVisionConfig()
>>> prompt_encoder_config = EdgeTamPromptEncoderConfig()
>>> mask_decoder_config = EdgeTamMaskDecoderConfig()
>>> config = EdgeTamConfig(vision_config, prompt_encoder_config, mask_decoder_config)EdgeTamVisionConfig
클래스 transformers.EdgeTamVisionConfig
< 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[384, 192, 96, 48]) — 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 EdgeTamModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Edgetam 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 yonigozlan/EdgeTAM-hf와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
EdgeTamMaskDecoderConfig
클래스 transformers.EdgeTamMaskDecoderConfig
< 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 EdgeTamModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Edgetam 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 yonigozlan/EdgeTAM-hf와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
EdgeTamPromptEncoderConfig
클래스 transformers.EdgeTamPromptEncoderConfig
< 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 EdgeTamModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Edgetam 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 yonigozlan/EdgeTAM-hf와 유사한 구성이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
EdgeTamVisionModel
class transformers.EdgeTamVisionModel
< source >( config: EdgeTamVisionConfig )
매개변수
- config (EdgeTamVisionConfig) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 from_pretrained() 메서드를 확인하세요.
상단부에 헤드나 투영이 없는 EdgeTAM의 비전 모델.
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.FloatTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> )
EdgeTamModel
class transformers.EdgeTamModel
< source >( config: EdgeTamConfig )
매개변수
- config (EdgeTamConfig) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 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.FloatTensor] = Noneinput_points: typing.Optional[torch.FloatTensor] = Noneinput_labels: typing.Optional[torch.LongTensor] = Noneinput_boxes: typing.Optional[torch.FloatTensor] = Noneinput_masks: typing.Optional[torch.LongTensor] = Noneimage_embeddings: typing.Optional[torch.FloatTensor] = Nonemultimask_output: bool = Trueattention_similarity: typing.Optional[torch.FloatTensor] = Nonetarget_embedding: typing.Optional[torch.FloatTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EdgeTamImageSegmentationOutput or tuple(torch.FloatTensor)
매개변수
- pixel_values (
torch.FloatTensor, 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.FloatTensor, shape(batch_size, num_points, 2)) — 입력 2D 공간 점입니다. 프롬프트 인코더가 프롬프트를 인코딩하는 데 사용됩니다. 일반적으로 훨씬 더 나은 결과를 제공합니다. 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, 각 입력 점당 모델이 예측할 세그멘테이션 마스크의 개수), 세 번째 차원은 세그멘테이션 마스크당 점의 개수(하나의 마스크에 여러 점을 전달할 수 있음), 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.FloatTensorshape(batch_size, num_boxes, 4)) — 을 가진 입력 박스입니다. 이 값은 프롬프트 인코더가 프롬프트를 인코딩하는 데 사용되며, 일반적으로 훨씬 더 나은 품질의 마스크를 생성합니다. 박스는 리스트의 리스트의 리스트를 프로세서에 전달하여 생성할 수 있으며, 이 경우torchtensor가 반환됩니다. 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.FloatTensor, shape(batch_size, image_size, image_size)) — SAM 모델은 세그멘테이션 마스크도 입력으로 받습니다. 해당 마스크는 프롬프트 인코더에 의해 임베딩되어 나중에 마스크 디코더에 전달됩니다. 이 마스크는 사용자가 직접 제공해야 하며, shape이 (batch_size,image_size,image_size)여야 합니다. - image_embeddings (
torch.FloatTensor, shape(batch_size, output_channels, window_size, window_size)) — 이미지 임베딩입니다. mask decoder가 mask와 iou score를 생성하는 데 사용됩니다. 메모리 효율적인 계산을 위해, 사용자는 먼저get_image_embeddings메서드로 이미지 임베딩을 가져온 후,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.FloatTensor, 선택) — 모델이 PerSAM에서 소개된 개인화 용도로 사용되는 경우, 대상 기반 주의를 위해 마스크 디코더에 제공되는 어텐션 유사도 텐서입니다. - target_embedding (
torch.FloatTensor, 선택) — PerSAM에서 소개된 개인화 용도로 모델을 사용할 경우, 대상 의미론적 프롬프팅을 위해 mask decoder에 제공되는 대상 개념의 임베딩입니다.
반환값
EdgeTamImageSegmentationOutput 또는 tuple(torch.FloatTensor)
EdgeTamImageSegmentationOutput 또는 torch.FloatTensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(EdgeTamConfig)과 입력에 따라 다양한 요소를 포함합니다.
EdgeTamModel의 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.FloatTensor, shape(batch_size, point_batch_size, num_masks)) — 예측된 마스크의 Intersection over Union (IoU) 점수입니다. - pred_masks (
torch.FloatTensor, shape(batch_size, point_batch_size, num_masks, height, width)) — 예측된 저해상도 마스크입니다. 이는low_res_masks의 별칭입니다. 이 마스크들은 processor를 통해 후처리하여 원래 이미지 크기로 조정해야 합니다. - object_score_logits (
torch.FloatTensor, shape(batch_size, point_batch_size, 1)) — 객체가 존재하는지를 나타내는 객체 점수 logits. - image_embeddings (
tuple(torch.FloatTensor)) — mask decoder에서 사용되는 FPN의 특징입니다. 각 텐서의 shape가(batch_size, channels, height, width)인torch.FloatTensor의 tuple입니다. - vision_hidden_states (
tuple(torch.FloatTensor), 선택 사항,output_hidden_states=True일 때 반환됨) — 각 단계의 출력을 위한torch.FloatTensor튜플로, 모양은(batch_size, height, width, hidden_size)입니다. 각 단계의 출력에서 비전 모델의 hidden-states입니다. - vision_attentions (
tuple(torch.FloatTensor), 선택 사항,output_attentions=True일 때 반환됨) — 각 레이어마다 하나씩 포함된torch.FloatTensor의 튜플로, 모양은(batch_size, num_heads, sequence_length, sequence_length)입니다. 비전 모델의 어텐션 가중치입니다. - mask_decoder_attentions (
tuple(torch.FloatTensor), 선택,output_attentions=True일 때 반환됨) —torch.FloatTensor의 튜플(각 레이어마다 하나)로, 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/edgetam.1_hiera_tiny")
>>> processor = AutoProcessor.from_pretrained("danelcsb/edgetam.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: FloatTensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EdgeTamVisionEncoderOutput or tuple(torch.FloatTensor)
매개변수
반환값
EdgeTamVisionEncoderOutput 또는 tuple(torch.FloatTensor)
EdgeTamVisionEncoderOutput 또는 torch.FloatTensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(EdgeTamConfig)과 입력에 따라 다양한 요소를 포함합니다.
last_hidden_state (
torch.FloatTensor, shape(batch_size, height, width, hidden_size)) — 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.pooler_output (
torch.FloatTensor, shape(batch_size, hidden_size)) — 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state로, 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.hidden_states (
tuple(torch.FloatTensor), 선택 사항,output_hidden_states=True가 전달되었거나config.output_hidden_states=True인 경우 반환됨) —torch.FloatTensor의 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.FloatTensor), 선택 사항,output_attentions=True가 전달되었거나config.output_attentions=True인 경우 반환됨) — 각 레이어마다 하나씩 포함된torch.FloatTensor의 튜플로, 형태는(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.FloatTensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)마다 하나씩 포함된torch.FloatTensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다. Feature Pyramid Network neck에서 생성된 특징 맵입니다.fpn_position_encoding (
tuple(torch.FloatTensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)에 하나씩 포함된torch.FloatTensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다.fpn_hidden_states에 해당하는 위치 인코딩입니다.