/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
eomt · dense
Библиотека
transformers
Опубликована
26 мар 2025

ade20k_semantic_eomt_large_512

Сегментация изображенийИзображение → mask3 профессии

Модель EoMT на базе Vision Transformer выполняет семантическую сегментацию изображений и разметку их областей по классам.

7 120скачиваний за 30 дней3лайкавеса обновлены18 сен 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель tue-mps/ade20k_semantic_eomt_large_512 на архитектуре EoMT (Encoder-only Mask Transformer), разработанной авторами работы «Your ViT is Secretly an Image Segmentation Model». Модель основана на Vision Transformer и предназначена для семантической сегментации изображений; в карточке указано 402,7 млн параметров.

EoMT использует ViT без специализированного декодера или модулей объединения пиксельных признаков. Архитектура также поддерживает сегментацию экземпляров и паноптическую сегментацию при соответствующей постобработке, однако задача этой конкретной модели в метаданных обозначена как image-segmentation. Репозиторий содержит веса PyTorch в формате safetensors.

Модель подходит для разметки сцен и объектов на изображениях, например для анализа изображений ADE20K. Доступна по лицензии MIT. Карточка не сообщает точность модели или подробные сведения о её обучении.

Сценарии применения

  • семантическая сегментация городских и бытовых сцен
  • разметка объектов и областей на изображениях ADE20K
  • получение масок классов для анализа изображений
  • использование в компьютерном зрении как модель сегментации

Ограничения

Карточка не приводит показатели качества и подробности обучения. Поддержка сегментации экземпляров и паноптической сегментации описана для архитектуры EoMT в целом и требует соответствующей постобработки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EoMT

PyTorch

EoMT (Encoder-only Mask Transformer) is a Vision Transformer (ViT) architecture designed for high-quality and efficient image segmentation. It was introduced in the CVPR 2025 highlight paper:
Your ViT is Secretly an Image Segmentation Model
by Tommie Kerssies, Niccolò Cavagnero, Alexander Hermans, Narges Norouzi, Giuseppe Averta, Bastian Leibe, Gijs Dubbelman, and Daan de Geus.

Key Insight: Given sufficient scale and pretraining, a plain ViT along with additional few params can perform segmentation without the need for task-specific decoders or pixel fusion modules. The same model backbone supports semantic, instance, and panoptic segmentation with different post-processing 🤗

The original implementation can be found in this repository.

The HuggingFace model page is available at this link.


How to use

Here is how to use this model for Semantic Segmentation:

import matplotlib.pyplot as plt
import requests
import torch
from PIL import Image

from transformers import EomtForUniversalSegmentation, AutoImageProcessor


model_id = "tue-mps/ade20k_semantic_eomt_large_512"
processor = AutoImageProcessor.from_pretrained(model_id)
model = EomtForUniversalSegmentation.from_pretrained(model_id)

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()

Citation

If you find our work useful, please consider citing us as:

@inproceedings{kerssies2025eomt,
  author    = {Kerssies, Tommie and Cavagnero, Niccolò and Hermans, Alexander and Norouzi, Narges and Averta, Giuseppe and Leibe, Bastian and Dubbelman, Gijs and de Geus, Daan},
  title     = {Your ViT is Secretly an Image Segmentation Model},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2025},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-segmentation

Можно запустить

Подбираем GPU…

Класс архитектуры
EomtForUniversalSegmentation
Ревизия весов
aeb262f

0 моделей