Hugging Face's logo

Transformers documentation

EoMT-DINOv3

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Mô hình này được công bố trên HF papers vào ngày 2025-03-24 và được đóng góp cho Hugging Face Transformers vào ngày 2026-02-02.

EoMT-DINOv3

SDPA

Tổng quan

Họ EoMT-DINOv3 mở rộng kiến trúc Encoder-only Mask Transformer bằng các Vision Transformer được huấn luyện trước bằng DINOv3. Bản cập nhật này mang lại chất lượng phân đoạn mạnh hơn trên các benchmark ADE20K và COCO, đồng thời giữ nguyên thiết kế encoder-only đã khiến EoMT trở nên hấp dẫn cho các ứng dụng thời gian thực.

So với các mô hình dựa trên DINOv2, các biến thể DINOv3 tận dụng các nhúng vị trí quay (rotary position embeddings), các khối MLP có cổng tùy chọn (optional gated MLP blocks) và các công thức huấn luyện trước (pre-training recipes) mới nhất từ Meta AI. Những thay đổi này mang lại mức cải thiện hiệu suất có thể đo lường được trên các tác vụ phân đoạn ngữ nghĩa (semantic segmentation), phân đoạn thực thể (instance segmentation) và phân đoạn toàn cảnh (panoptic segmentation), như được nêu bật trong model zoo của DINOv3.

Kiến trúc EoMT ban đầu được giới thiệu trong bài báo Highlight tại CVPR 2025 Your ViT is Secretly an Image Segmentation Model của Tommie Kerssies, Niccolò Cavagnero, Alexander Hermans, Narges Norouzi, Giuseppe Averta, Bastian Leibe, Gijs Dubbelman và Daan de Geus. Bản nâng cấp DINOv3 giữ nguyên đầu phân đoạn (segmentation head) nhẹ và chiến lược suy luận dựa trên truy vấn (query-based inference), đồng thời thay thế bộ mã hóa (encoder) bằng các checkpoint ViT của DINOv3.

Mẹo:

  • Cấu hình phơi bày các tùy chỉnh đặc thù của DINOv3 như rope_theta và use_gated_mlp. Các backbone DINOv3 lớn như dinov3-vitg14 yêu cầu use_gated_mlp=True.
  • Các mô hình DINOv3 có thể hoạt động trên một dải độ phân giải rộng hơn nhờ vào các nhúng vị trí quay (rotary position embeddings). Bộ xử lý ảnh mặc định vẫn là các vùng cắt hình vuông, nhưng có thể cung cấp các kích thước tùy chỉnh thông qua AutoImageProcessor.
  • Các checkpoint được huấn luyện trước do Phòng thí nghiệm Hệ thống Nhận thức Di động của TU/e lưu trữ cung cấp các trọng số delta cần được kết hợp với các backbone DINOv3 thượng nguồn. Các tiện ích chuyển đổi trong kho lưu trữ chính thức mô tả chi tiết quy trình này.

Mô hình này được đóng góp bởi nielsr. Mã nguồn gốc có thể được tìm thấy tại đây.

Ví dụ sử dụng

Dưới đây là một ví dụ tối giản cho thấy cách chạy phân đoạn toàn cảnh (panoptic segmentation) với một mô hình EoMT dựa trên DINOv3. Bộ xử lý ảnh (image processor) tương tự có thể được tái sử dụng cho phân đoạn ngữ nghĩa (semantic segmentation) hoặc phân đoạn đối tượng (instance segmentation) chỉ bằng cách thay thế checkpoint.

import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, AutoModelForUniversalSegmentation


model_id = "tue-mps/eomt-dinov3-coco-panoptic-base-640"
processor = AutoImageProcessor.from_pretrained(model_id)
model = AutoModelForUniversalSegmentation.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").to(model.device)

with torch.inference_mode():
    outputs = model(**inputs)

segmentation = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
list(segmentation.keys())
['segmentation', 'segments_info']

EomtDinov3Config

lớp transformers.EomtDinov3Config

< >

( 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 = 1024num_hidden_layers: int = 24num_attention_heads: int = 16hidden_act: str = 'gelu'hidden_dropout_prob: float | int = 0.0initializer_range: float = 0.02layer_norm_eps: float = 1e-06image_size: int | list[int] | tuple[int, int] = 640patch_size: int | list[int] | tuple[int, int] = 16num_channels: int = 3layerscale_value: float = 1.0drop_path_rate: float | int = 0.0num_upscale_blocks: int = 2attention_dropout: float | int = 0.0num_blocks: int = 4no_object_weight: float = 0.1class_weight: float = 2.0mask_weight: float = 5.0dice_weight: float = 5.0train_num_points: int = 12544oversample_ratio: float = 3.0importance_sample_ratio: float = 0.75num_queries: int = 200num_register_tokens: int = 4intermediate_size: int = 4096rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Nonequery_bias: bool = Truekey_bias: bool = Falsevalue_bias: bool = Trueproj_bias: bool = Truemlp_bias: bool = Trueuse_gated_mlp: bool = Falsepos_embed_shift: float | None = Nonepos_embed_jitter: float | None = Nonepos_embed_rescale: float | None = 2.0 )

Tham số

  • hidden_size (int, tùy chọn, mặc định là 1024) — Kích thước của các biểu diễn ẩn.
  • num_hidden_layers (int, tùy chọn, mặc định là 24) — Số lượng lớp ẩn trong bộ giải mã Transformer.
  • num_attention_heads (int, tùy chọn, mặc định là 16) — Số lượng đầu attention cho mỗi lớp attention 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, tùy chọn, 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, tùy chọn, mặc định là 1e-06) — Giá trị 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, tùy chọn, mặc định là 3) — Số lượng kênh đầu vào.
  • layerscale_value (float, tùy 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, tùy chọn, mặc định là 2) — Số lượng khối lấy mẫu lên (upsampling) được sử dụng trong bộ giải mã (decoder) hoặc đầu phân đoạn (segmentation head).
  • attention_dropout (Union[float, int], tùy chọn, mặc định là 0.0) — Tỷ lệ dropout cho các xác suất chú ý.
  • num_blocks (int, tùy chọn, mặc định là 4) — Số lượng khối đặc trưng hoặc giai đoạn trong kiến trúc.
  • no_object_weight (float, tùy chọn, mặc định là 0.1) — Trọng số loss cho lớp “no object” trong phân đoạn panoptic/instance.
  • class_weight (float, tùy chọn, mặc định là 2.0) — Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.
  • mask_weight (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.
  • dice_weight (float, tùy chọn, mặc định là 5.0) — Trọng số tương đối của dice loss trong panoptic segmentation loss.
  • train_num_points (int, tùy chọn, mặc định là 12544) — Số lượng điểm được lấy mẫu để tính toán tổn thất mặt nạ trong quá trình huấn luyện.
  • oversample_ratio (float, tùy chọn, mặc định là 3.0) — Tỷ lệ lấy mẫu dư (oversampling) được sử dụng trong việc lấy mẫu điểm cho quá trình huấn luyện mask.
  • importance_sample_ratio (float, tùy chọn, 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, tùy chọn, mặc định là 200) — Số lượng truy vấn đối tượng trong Transformer.
  • num_register_tokens (int, tùy chọn, mặc định là 4) — Số lượng token register có thể học được thêm vào đầu vào của transformer.
  • intermediate_size (int, tùy chọn, mặc định là 4096) — Kích thước của các biểu diễn MLP.
  • rope_parameters (Union[~modeling_rope_utils.RopeParameters, dict], tùy chọn) — Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị cho rope_theta và tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE với max_position_embeddings dài hơn.
  • query_bias (bool, tùy chọn, mặc định là True) — Có sử dụng bias trong phép chiếu query hay không.
  • key_bias (bool, tùy chọn, mặc định là False) — Có sử dụng bias trong phép chiếu key hay không.
  • value_bias (bool, tùy chọn, mặc định là True) — Có sử dụng bias trong phép chiếu giá trị (value projection) hay không.
  • proj_bias (bool, tùy chọn, mặc định là True) — Có sử dụng bias trong phép chiếu đầu ra hay không.
  • mlp_bias (bool, tùy chọn, mặc định là True) — Có sử dụng bias trong các lớp up_proj, down_proj và gate_proj của các lớp MLP hay không.
  • use_gated_mlp (bool, tùy chọn, mặc định là False) — Có sử dụng các lớp gated MLP hay không.
  • pos_embed_shift (float, tùy chọn) — Giá trị dịch cho nhúng vị trí.
  • pos_embed_jitter (float, tùy chọn) — Giá trị jitter cho các embedding vị trí.
  • pos_embed_rescale (float, tùy chọn, mặc định là 2.0) — Giá trị rescale cho position embeddings.

Đây là lớp cấu hình để lưu trữ cấu hình của một Eomt Dinov3Model. Nó được sử dụng để khởi tạo một mô hình Eomt Dinov3 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_dinov3

Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.

EomtDinov3PreTrainedModel

lớp transformers.EomtDinov3PreTrainedModel

< >

( config: PreTrainedConfig*inputs**kwargs )

Tham số

  • config (PreTrainedConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.

Mô hình này kế thừa từ 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, v.v.)

Mô hình này cũng là một lớp con của 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

( *args**kwargs )

Một giá trị giả lập cho một đường dẫn có dấu chấm (ví dụ: torch.float32): các chuỗi truy cập thuộc tính, các cuộc gọi hoạt động như các decorator pass-through, repr là đường dẫn có dấu chấm, và việc sử dụng nó như một lớp cơ sở sẽ thay thế bằng một lớp cơ sở type thông thường (PEP 560 __mro_entries__), do đó các lớp con thực sự vẫn giữ nguyên metaclass bình thường và inspect.signature sẽ đọc __init__ thực của chúng thay vì của một mock.

EomtDinov3ForUniversalSegmentation

lớp transformers.EomtDinov3ForUniversalSegmentation

< >

( config: EomtDinov3Config )

Tham số

  • config (EomtDinov3Config) — 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() để tải trọng số của mô hình.

Mô hình EoMT-DINOv3 với head ở trên cùng cho phân đoạn instance/semantic/panoptic.

Mô hình này kế thừa từ 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, v.v.)

Mô hình này cũng là một lớp con của 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

< >

( pixel_values: Tensormask_labels: list[torch.Tensor] | None = Noneclass_labels: list[torch.Tensor] | None = Nonepatch_offsets: list[torch.Tensor] | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EomtDinov3ForUniversalSegmentationOutput or tuple(torch.Tensor)

Tham số

  • pixel_values (torch.Tensor có hình dạng (batch_size, num_channels, image_size, image_size)) — Các tensor tương ứng với các hình ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng EomtImageProcessor. Xem EomtImageProcessor.call() để biết chi tiết (processor_class sử dụng EomtImageProcessor để xử lý hình 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 định chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.

Trả về

EomtDinov3ForUniversalSegmentationOutput hoặc tuple(torch.Tensor)

Một EomtDinov3ForUniversalSegmentationOutput hoặc một tuple của torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (EomtDinov3Config) và đầu vào.

Phương thức forward của EomtDinov3ForUniversalSegmentation ghi đè lên phương thức đặc biệt __call__.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng 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 lặng lẽ bỏ qua chúng.

  • 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 truyền output_hidden_states=True hoặc khi config.output_hidden_states=True) — Tuple của torch.Tensor (một cho đầu ra của embeddings + một cho đầu ra của mỗi stage) có shape (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 truyền output_attentions=True 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 transformer decoder.
  • patch_offsets (list[torch.Tensor], tuỳ chọn) — danh sách các bộ ba chỉ ra chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.
Update on GitHub

←EoMT FocalNet→