/ Модель

Характеристики

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

cityscapes_semantic_eomt_large_1024

Сегментация изображенийИзображение → mask3 профессии

Крупная модель EoMT для семантической сегментации изображений городских сцен Cityscapes.

1 038скачиваний за 30 дней1лайквеса 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

tue-mps/cityscapes_semantic_eomt_large_1024 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для высококачественной и эффективной сегментации. EoMT основана на Vision Transformer и предназначена для выделения и классификации областей изображения; архитектура поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой.

Этот чекпойнт ориентирован на семантическую сегментацию городских сцен из Cityscapes. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Веса распространяются по лицензии MIT. README не сообщает точные классы разметки или метрики качества этого чекпойнта.

Сценарии применения

  • Сегментация дорог, зданий и других объектов на изображениях городских сцен
  • Разметка пикселей для анализа дорожных сцен
  • Подготовка сегментированных изображений для исследований компьютерного зрения

Ограничения

Карточка не приводит метрики качества и перечень классов для этого чекпойнта. Для экземплярной и паноптической сегментации могут потребоваться подходящие настройки 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/cityscapes_semantic_eomt_large_1024"
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
8d6b6d1

0 моделей