# EoMT ## Tổng quan Mô hình [The Encoder-only Mask Transformer](https://www.tue-mps.org/eomt) (EoMT) được giới thiệu trong bài báo nổi bật tại CVPR 2025 *[Your ViT is Secretly an Image Segmentation Model](https://huggingface.co/papers/2503.19108)* của Tommie Kerssies, Niccolò Cavagnero, Alexander Hermans, Narges Norouzi, Giuseppe Averta, Bastian Leibe, Gijs Dubbelman và Daan de Geus. EoMT cho thấy Vision Transformers có thể thực hiện phân đoạn ảnh một cách hiệu quả mà không cần các thành phần riêng cho từng tác vụ. Tóm tắt từ bài báo như sau: *Vision Transformers (ViTs) đã thể hiện hiệu suất và khả năng mở rộng đáng kể trên nhiều tác vụ thị giác máy tính. Để áp dụng ViTs đơn tỷ lệ cho phân đoạn ảnh, các phương pháp hiện có sử dụng bộ thích ứng tích chập để tạo ra các đặc trưng đa tỷ lệ, một bộ giải mã pixel để kết hợp các đặc trưng này, và một bộ giải mã Transformer sử dụng các đặc trưng đã kết hợp để đưa ra dự đoán. Trong bài báo này, chúng tôi chỉ ra rằng các thiên kiến cảm ứng (inductive biases) do các thành phần đặc thù cho tác vụ này đưa vào có thể thay thế được bằng việc chính ViT tự học chúng, với điều kiện có các mô hình đủ lớn và quá trình tiền huấn luyện (pre-training) đủ rộng rãi. Dựa trên những phát hiện này, chúng tôi giới thiệu Encoder-only Mask Transformer (EoMT), tái sử dụng kiến trúc ViT thuần túy để thực hiện phân đoạn ảnh. Với các mô hình quy mô lớn và tiền huấn luyện, EoMT đạt được độ chính xác phân đoạn tương đương với các mô hình tiên tiến (state-of-the-art) sử dụng các thành phần đặc thù cho tác vụ. Đồng thời, EoMT nhanh hơn đáng kể so với các phương pháp này nhờ sự đơn giản về kiến trúc, ví dụ, nhanh hơn tới 4 lần với ViT-L. Trên một loạt các kích thước mô hình, EoMT thể hiện sự cân bằng tối ưu giữa độ chính xác phân đoạn và tốc độ dự đoán, cho thấy tài nguyên tính toán sẽ được sử dụng hiệu quả hơn nếu dùng để mở rộng chính ViT thay vì thêm độ phức tạp vào kiến trúc.* Mô hình này được đóng góp bởi [Yaswanth Gali](https://huggingface.co/yaswanthgali). Mã gốc có thể được tìm thấy [tại đây](https://github.com/tue-mps/eomt). ## Thông tin kiến trúc Mô hình `EoMT` sử dụng Vision Transformer được huấn luyện trước bằng DINOv2 với **register tokens** làm backbone. EoMT đơn giản hóa quy trình phân đoạn bằng cách chỉ dựa vào encoder, loại bỏ nhu cầu về các decoder dành riêng cho tác vụ thường được sử dụng trong các phương pháp trước đó. Về mặt kiến trúc, EoMT giới thiệu một tập hợp nhỏ các **query học được** và một **module dự đoán mask** nhẹ. Các query này được tiêm vào các khối encoder cuối cùng, cho phép **chú ý liên hợp** giữa các patch ảnh và các query đối tượng. Trong quá trình huấn luyện, **chú ý có mask** được áp dụng để ràng buộc mỗi query tập trung vào vùng tương ứng của nó—giống như mô phỏng cross-attention. Ràng buộc này được loại bỏ dần thông qua **chiến lược ủ mask**, cho phép ** suy luận hiệu quả, không cần decoder** mà không làm giảm hiệu năng phân đoạn. drawing Mô hình hỗ trợ phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic bằng kiến trúc thống nhất và xử lý hậu kỳ riêng cho từng tác vụ. ## Ví dụ sử dụng Sử dụng bản triển khai EoMT của Hugging Face để suy luận với các mô hình đã được huấn luyện trước. ### Phân đoạn ngữ nghĩa Mô hình EoMT thực hiện phân đoạn ngữ nghĩa bằng suy luận cửa sổ trượt. Ảnh đầu vào được điều chỉnh kích thước sao cho cạnh ngắn khớp với kích thước đầu vào mục tiêu, sau đó được chia thành các vùng cắt chồng lấn. Mỗi vùng cắt sau đó được đưa qua mô hình. Sau khi suy luận, các logits dự đoán từ mỗi vùng cắt được ghép lại với nhau và điều chỉnh tỷ lệ về kích thước ảnh gốc để tạo ra mặt nạ phân đoạn cuối cùng. > **Lưu ý:** Nếu bạn muốn sử dụng kích thước đích tùy chỉnh cho **phân đoạn ngữ nghĩa**, hãy chỉ định theo định dạng sau: `{"shortest_edge": 512}` Lưu ý rằng `longest_edge` không được cung cấp ở đây — điều này là cố ý. Đối với phân đoạn ngữ nghĩa, hình ảnh thường được **thay đổi tỷ lệ sao cho cạnh ngắn nhất lớn hơn hoặc bằng kích thước đích** do đó không cần đến longest_edge. ```python import matplotlib.pyplot as plt import requests import torch from PIL import Image from transformers import AutoImageProcessor, EomtForUniversalSegmentation model_id = "tue-mps/ade20k_semantic_eomt_large_512" processor = AutoImageProcessor.from_pretrained(model_id) model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto") image = Image.open(requests.get("http://images.cocodataset.org/val2017/000000039769.jpg", stream=True).raw) inputs = processor( images=image, return_tensors="pt", ) with torch.inference_mode(): outputs = model(**inputs) # Prepare the original image size in the format (height, width) target_sizes = [(image.height, image.width)] # Post-process the model outputs to get final segmentation prediction preds = processor.post_process_semantic_segmentation( outputs, target_sizes=target_sizes, ) # Visualize the segmentation mask plt.imshow(preds[0]) plt.axis("off") plt.title("Semantic Segmentation") plt.show() ``` ### Phân đoạn đối tượng Mô hình EoMT thực hiện phân đoạn đối tượng (instance segmentation) bằng suy luận có đệm (padded inference). Ảnh đầu vào được thay đổi kích thước sao cho cạnh dài khớp với kích thước đầu vào mục tiêu, và cạnh ngắn được đệm bằng số 0 để tạo thành hình vuông. Mặt nạ (mask) và logits lớp kết quả được kết hợp thông qua xử lý hậu (post-processing, được điều chỉnh từ Mask2Former) để tạo ra bản đồ phân đoạn đối tượng thống nhất, cùng với các siêu dữ liệu phân đoạn như id phân đoạn, nhãn lớp và điểm tin cậy. > **Lưu ý:** Để sử dụng kích thước đích tùy chỉnh, hãy chỉ định kích thước dưới dạng từ điển theo định dạng sau: `{"shortest_edge": 512, "longest_edge": 512}` Đối với cả phân đoạn instance và panoptic, các hình ảnh đầu vào sẽ được **thay đổi tỷ lệ và đệm** để đạt kích thước đích này. ```python import matplotlib.pyplot as plt import requests import torch from PIL import Image from transformers import AutoImageProcessor, EomtForUniversalSegmentation model_id = "tue-mps/coco_instance_eomt_large_640" processor = AutoImageProcessor.from_pretrained(model_id) model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto") image = Image.open(requests.get("http://images.cocodataset.org/val2017/000000039769.jpg", stream=True).raw) inputs = processor( images=image, return_tensors="pt", ) with torch.inference_mode(): outputs = model(**inputs) # Prepare the original image size in the format (height, width) target_sizes = [(image.height, image.width)] # Post-process the model outputs to get final segmentation prediction preds = processor.post_process_instance_segmentation( outputs, target_sizes=target_sizes, ) # Visualize the segmentation mask plt.imshow(preds[0]["segmentation"]) plt.axis("off") plt.title("Instance Segmentation") plt.show() ``` ### Phân đoạn toàn cảnh Mô hình EoMT thực hiện phân đoạn toàn cảnh (panoptic segmentation) bằng cách sử dụng chiến lược suy luận có đệm (padded inference) giống như trong phân đoạn thực thể (instance segmentation). Sau khi đệm và chuẩn hóa, mô hình dự đoán cả các lớp thing (thực thể) và stuff (vùng vô định hình). Kết quả là các mask và logits lớp được kết hợp thông qua xử lý hậu (post-processing, được điều chỉnh từ Mask2Former) để tạo ra bản đồ phân đoạn toàn cảnh thống nhất, cùng với các siêu dữ liệu phân đoạn như id phân đoạn, nhãn lớp và điểm số độ tin cậy. ```python import matplotlib.pyplot as plt import requests import torch from PIL import Image from transformers import AutoImageProcessor, EomtForUniversalSegmentation model_id = "tue-mps/coco_panoptic_eomt_large_640" processor = AutoImageProcessor.from_pretrained(model_id) model = EomtForUniversalSegmentation.from_pretrained(model_id, device_map="auto") image = Image.open(requests.get("http://images.cocodataset.org/val2017/000000039769.jpg", stream=True).raw) inputs = processor( images=image, return_tensors="pt", ) with torch.inference_mode(): outputs = model(**inputs) # Prepare the original image size in the format (height, width) target_sizes = [(image.height, image.width)] # Post-process the model outputs to get final segmentation prediction preds = processor.post_process_panoptic_segmentation( outputs, target_sizes=target_sizes, ) # Visualize the panoptic segmentation mask plt.imshow(preds[0]["segmentation"]) plt.axis("off") plt.title("Panoptic Segmentation") plt.show() ``` ## EomtImageProcessor[[transformers.EomtImageProcessor]] #### transformers.EomtImageProcessor[[transformers.EomtImageProcessor]] ```python transformers.EomtImageProcessor(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_eomt.py#L214) **Tham số:** do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'shortest_edge' : 640, 'longest_edge': 640}`): Mô tả kích thước đầu vào tối đa cho mô hình. default_to_square (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. do_pad (`bool`, *kwargs*, *optional*, mặc định là `False`) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. do_split_image (`bool`, *kwargs*, *optional*, mặc định là `self.do_split_image`) : Xác định có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành `True`, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước `size["shortest_edge"]` với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích. ignore_index (`int`, *kwargs*, *optional*, mặc định là `self.ignore_index`) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`. Tạo một bộ xử lý ảnh EomtImageProcessor. #### preprocess[[transformers.EomtImageProcessor.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], segmentation_maps: list[torch.Tensor] | None = None, instance_id_to_semantic_id: dict[int, int] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_eomt.py#L273) **Tham số:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`. segmentation_maps (`ImageInput`, *tùy chọn*) : Các bản đồ phân đoạn cần tiền xử lý cho các hình ảnh tương ứng. instance_id_to_semantic_id (`list[dict[int, int]]` hoặc `dict[int, int]`, *tùy chọn*) : Bản ánh xạ giữa các id của instance đối tượng và các id lớp. do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*): Mô tả các kích thước đầu vào tối đa của mô hình. default_to_square (`bool`, *kwargs*, *tuỳ chọn*) : Có mặc định dùng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. do_split_image (`bool`, *kwargs*, *optional*, mặc định là `self.do_split_image`) : Xác định có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành `True`, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước `size["shortest_edge"]` với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích. ignore_index (`int`, *kwargs*, *optional*, mặc định là `self.ignore_index`) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`. **Trả về:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức __call__ ('pixel_values', v.v.). - **tensor_type** (`Union[None, str, TensorType]`, *tùy chọn*) -- Bạn có thể cung cấp tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo. #### post_process_semantic_segmentation[[transformers.EomtImageProcessor.post_process_semantic_segmentation]] ```python post_process_semantic_segmentation(outputs, target_sizes: list, size: dict[str, int] | None = None, return_segmentation_scores: bool = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_eomt.py#L502) **Tham số:** outputs ([EomtForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtForUniversalSegmentation)) : Đầu ra thô của mô hình. target_sizes (`list[tuple[int, int]]`) : Một danh sách các bộ ba (`tuple[int, int]`) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong lô. size (`dict[str, int]`, *tùy chọn*) : Kích thước mà các mặt nạ trung gian được nội suy. Mặc định là `self.size`. return_segmentation_scores (`bool`, *tùy chọn*, mặc định là `False`) : Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi `True`, mỗi phần tử của danh sách được trả về là một `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). **Trả về:** `list[torch.Tensor]` hoặc `list[SemanticSegmentationPostProcessorOutput]` Khi `return_segmentation_scores=False` (mặc định), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). Trong cả hai trường hợp, `(height, width)` tương ứng với kích thước đích. Chuyển đổi đầu ra của [EomtForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtForUniversalSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. #### post_process_instance_segmentation[[transformers.EomtImageProcessor.post_process_instance_segmentation]] ```python post_process_instance_segmentation(outputs, target_sizes: list, threshold: float = 0.8, size: dict[str, int] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_eomt.py#L635) Xử lý hậu kỳ các đầu ra của mô hình thành Dự đoán Phân đoạn Thực thể. #### post_process_panoptic_segmentation[[transformers.EomtImageProcessor.post_process_panoptic_segmentation]] ```python post_process_panoptic_segmentation(outputs, target_sizes: list, threshold: float = 0.8, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, stuff_classes: list[int] | None = None, size: dict[str, int] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_eomt.py#L578) Xử lý hậu kỳ các đầu ra của mô hình thành dự đoán phân đoạn toàn cảnh cuối cùng. ## EomtImageProcessorPil[[transformers.EomtImageProcessorPil]] #### transformers.EomtImageProcessorPil[[transformers.EomtImageProcessorPil]] ```python transformers.EomtImageProcessorPil(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_pil_eomt.py#L215) **Tham số:** do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'shortest_edge' : 640, 'longest_edge': 640}`): Mô tả kích thước đầu vào tối đa cho mô hình. default_to_square (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. do_pad (`bool`, *kwargs*, *optional*, mặc định là `False`) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. do_split_image (`bool`, *kwargs*, *optional*, mặc định là `self.do_split_image`) : Xác định có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành `True`, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước `size["shortest_edge"]` với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích. ignore_index (`int`, *kwargs*, *optional*, mặc định là `self.ignore_index`) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`. Tạo một bộ xử lý ảnh EomtImageProcessor. #### preprocess[[transformers.EomtImageProcessorPil.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], segmentation_maps: list[torch.Tensor] | None = None, instance_id_to_semantic_id: dict[int, int] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_pil_eomt.py#L281) **Tham số:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`. segmentation_maps (`ImageInput`, *tùy chọn*) : Các bản đồ phân đoạn cần tiền xử lý cho các hình ảnh tương ứng. instance_id_to_semantic_id (`list[dict[int, int]]` hoặc `dict[int, int]`, *tùy chọn*) : Bản ánh xạ giữa các id của instance đối tượng và các id lớp. do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*): Mô tả các kích thước đầu vào tối đa của mô hình. default_to_square (`bool`, *kwargs*, *tuỳ chọn*) : Có mặc định dùng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. do_split_image (`bool`, *kwargs*, *optional*, mặc định là `self.do_split_image`) : Xác định có nên chia các ảnh đầu vào thành các mảnh (patches) chồng lấn nhau cho phân đoạn ngữ nghĩa hay không. Nếu đặt thành `True`, các ảnh đầu vào sẽ được chia thành các mảnh có kích thước `size["shortest_edge"]` với phần chồng lấn giữa các mảnh. Ngược lại, các ảnh đầu vào sẽ được đệm (padding) đến kích thước đích. ignore_index (`int`, *kwargs*, *optional*, mặc định là `self.ignore_index`) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`. **Trả về:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức __call__ ('pixel_values', v.v.). - **tensor_type** (`Union[None, str, TensorType]`, *tùy chọn*) -- Bạn có thể cung cấp tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo. #### post_process_semantic_segmentation[[transformers.EomtImageProcessorPil.post_process_semantic_segmentation]] ```python post_process_semantic_segmentation(outputs, target_sizes: list, size: dict[str, int] | None = None, return_segmentation_scores: bool = False) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_pil_eomt.py#L495) **Tham số:** outputs ([EomtForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtForUniversalSegmentation)) : Đầu ra thô của mô hình. target_sizes (`list[tuple[int, int]]`) : Một danh sách các bộ ba (`tuple[int, int]`) chứa kích thước đích (chiều cao, chiều rộng) của từng hình ảnh trong lô. size (`dict[str, int]`, *tùy chọn*) : Kích thước mà các mặt nạ trung gian được nội suy. Mặc định là `self.size`. return_segmentation_scores (`bool`, *tùy chọn*, mặc định là `False`) : Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi `True`, mỗi phần tử của danh sách được trả về là một `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). **Trả về:** `list[torch.Tensor]` hoặc `list[SemanticSegmentationPostProcessorOutput]` Khi `return_segmentation_scores=False` (mặc định), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). Trong cả hai trường hợp, `(height, width)` tương ứng với kích thước đích. Chuyển đổi đầu ra của [EomtForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtForUniversalSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. #### post_process_instance_segmentation[[transformers.EomtImageProcessorPil.post_process_instance_segmentation]] ```python post_process_instance_segmentation(outputs, target_sizes: list, threshold: float = 0.8, size: dict[str, int] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_pil_eomt.py#L620) Xử lý hậu kỳ các đầu ra của mô hình thành Dự đoán Phân đoạn Thực thể. #### post_process_panoptic_segmentation[[transformers.EomtImageProcessorPil.post_process_panoptic_segmentation]] ```python post_process_panoptic_segmentation(outputs, target_sizes: list, threshold: float = 0.8, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, stuff_classes: list[int] | None = None, size: dict[str, int] | None = None) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/image_processing_pil_eomt.py#L567) Xử lý hậu kỳ các đầu ra của mô hình thành dự đoán phân đoạn toàn cảnh cuối cùng. ## EomtConfig[[transformers.EomtConfig]] #### transformers.EomtConfig[[transformers.EomtConfig]] ```python transformers.EomtConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 1024, num_hidden_layers: int = 24, num_attention_heads: int = 16, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-06, image_size: int | list[int] | tuple[int, int] = 640, patch_size: int | list[int] | tuple[int, int] = 16, num_channels: int = 3, mlp_ratio: int = 4, layerscale_value: float = 1.0, drop_path_rate: float | int = 0.0, num_upscale_blocks: int = 2, attention_dropout: float | int = 0.0, use_swiglu_ffn: bool = False, num_blocks: int = 4, no_object_weight: float = 0.1, class_weight: float = 2.0, mask_weight: float = 5.0, dice_weight: float = 5.0, train_num_points: int = 12544, oversample_ratio: float = 3.0, importance_sample_ratio: float = 0.75, num_queries: int = 200, num_register_tokens: int = 4) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/configuration_eomt.py#L28) **Tham số:** hidden_size (`int`, *tuỳ chọn*, mặc định là `1024`) : Kích thước của các biểu diễn ẩn. num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `24`) : Số lượng lớp ẩn trong bộ giải mã Transformer. num_attention_heads (`int`, *tuỳ chọn*, mặc định là `16`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. hidden_act (`str`, *tùy chọn*, mặc định là `gelu`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v. hidden_dropout_prob (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler. initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-06`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization). image_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `640`) : Kích thước (độ phân giải) của mỗi hình ảnh. patch_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `16`) : Kích thước (độ phân giải) của mỗi patch. num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào. mlp_ratio (`int`, *tuỳ chọn*, mặc định là `4`) : Tỷ lệ giữa chiều ẩn của MLP và chiều nhúng. layerscale_value (`float`, *tuỳ chọn*, mặc định là 1.0) : Giá trị ban đầu cho tham số LayerScale. drop_path_rate (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ drop path cho việc hợp nhất patch. num_upscale_blocks (`int`, *tuỳ chọn*, mặc định là 2) : Số lượng khối upsampling được sử dụng trong bộ giải mã hoặc đầu phân đoạn. attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý. use_swiglu_ffn (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng mạng nơ-ron tiền xử lý SwiGLU hay không. num_blocks (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng khối đặc trưng hoặc giai đoạn trong kiến trúc. no_object_weight (`float`, *tuỳ chọn*, mặc định là 0.1) : Trọng số loss cho lớp 'không có đối tượng' trong phân đoạn panoptic/instance. class_weight (`float`, *tuỳ chọn*, mặc định là 2.0) : Trọng số tổn thất cho các mục tiêu phân loại. mask_weight (`float`, *tuỳ chọn*, mặc định là 5.0) : Trọng số loss cho việc dự đoán mask. dice_weight (`float`, *tuỳ chọn*, mặc định là `5.0`) : Trọng số tương đối của dice loss trong panoptic segmentation loss. train_num_points (`int`, *optional*, mặc định là 12544) : Số điểm cần lấy mẫu để tính toán mask loss trong quá trình huấn luyện. oversample_ratio (`float`, *optional*, mặc định là 3.0) : Tỷ lệ lấy mẫu quá mức được sử dụng trong việc lấy mẫu điểm cho quá trình huấn luyện mask. importance_sample_ratio (`float`, *optional*, mặc định là 0.75) : Tỷ lệ các điểm được lấy mẫu dựa trên độ quan trọng trong quá trình huấn luyện. num_queries (`int`, *tuỳ chọn*, mặc định là 200) : Số lượng truy vấn đối tượng trong Transformer. num_register_tokens (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng token register có thể học được thêm vào đầu vào của transformer. Đây là lớp cấu hình để lưu trữ cấu hình của một EomtModel. Nó được sử dụng để khởi tạo một mô hình Eomt theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [tue-mps/coco_panoptic_eomt_large_640](https://huggingface.co/tue-mps/coco_panoptic_eomt_large_640) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. Ví dụ: ```python >>> from transformers import EomtConfig, EomtForUniversalSegmentation >>> # Initialize configuration >>> config = EomtConfig() >>> # Initialize model >>> model = EomtForUniversalSegmentation(config) >>> # Access config >>> config = model.config ``` ## EomtForUniversalSegmentation[[transformers.EomtForUniversalSegmentation]] #### transformers.EomtForUniversalSegmentation[[transformers.EomtForUniversalSegmentation]] ```python transformers.EomtForUniversalSegmentation(config: EomtConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/modeling_eomt.py#L1016) **Tham số:** config ([EomtConfig](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số của mô hình. Mô hình EoMT có đầu (head) ở trên cùng cho phân đoạn instance/semantic/panoptic. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung. #### forward[[transformers.EomtForUniversalSegmentation.forward]] ```python forward(pixel_values: Tensor, mask_labels: list[torch.Tensor] | None = None, class_labels: list[torch.Tensor] | None = None, patch_offsets: list[torch.Tensor] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt/modeling_eomt.py#L1074) **Tham số:** pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [EomtImageProcessor](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtImageProcessor). Xem [EomtImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [EomtImageProcessor](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtImageProcessor) để xử lý ảnh). mask_labels (`list[torch.Tensor]`, *tùy chọn*) : danh sách nhãn mask có hình dạng `(num_labels, height, width)` để đưa vào mô hình class_labels (`list[torch.LongTensor]`, *tùy chọn*) : danh sách các nhãn lớp đích có hình dạng `(num_labels, height, width)` để đưa vào mô hình. Chúng xác định các nhãn của `mask_labels`, ví dụ nhãn của `mask_labels[i][j]` nếu `class_labels[i][j]`. patch_offsets (`list[torch.Tensor]`, *tùy chọn*) : danh sách các bộ ba chỉ ra chỉ mục hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa. **Trả về:** `EomtForUniversalSegmentationOutput` hoặc `tuple(torch.Tensor)` Một `EomtForUniversalSegmentationOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([EomtConfig](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtConfig)) và đầu vào. Phương thức forward của [EomtForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtForUniversalSegmentation) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. - **loss** (`torch.Tensor`, *optional*) -- Mất được tính toán, được trả về khi có nhãn. - **class_queries_logits** (`torch.Tensor`, *optional*) -- Một tensor có hình dạng `(batch_size, num_queries, num_labels + 1)` đại diện cho các lớp được đề xuất cho mỗi query. Lưu ý rằng `+ 1` là cần thiết vì chúng ta tích hợp lớp null. - **masks_queries_logits** (`torch.Tensor`, *tuỳ chọn*) -- Một tensor có hình dạng `(batch_size, num_queries, height, width)` đại diện cho các mask được đề xuất cho mỗi query. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, num_channels, height, width)`) -- Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của lớp cuối. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng `(batch_size, sequence_length, hidden_size)`. Hidden-states của tất cả các lớp trong mô hình. - **attentions** (`tuple(tuple(torch.Tensor))`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Tuple của `tuple(torch.Tensor)` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số Self và Cross Attentions từ bộ giải mã transformer. - **patch_offsets** (`list[torch.Tensor]`, *tuỳ chọn*) -- danh sách các bộ ba chỉ định chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.