/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
eomt · dense
Библиотека
transformers
Опубликована
1 июл 2025

coco_panoptic_eomt_base_640_2x

Сегментация изображенийИзображение → mask3 профессии

EoMT — модель на базе Vision Transformer для паноптической сегментации изображений и выделения объектов и областей сцены.

368скачиваний за 30 дней0лайковвеса 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

EoMT (Encoder-only Mask Transformer) — модель компьютерного зрения на базе Vision Transformer, разработанная авторами работы «Your ViT is Secretly an Image Segmentation Model». Этот вариант предназначен для паноптической сегментации изображений: он выделяет области и объекты на сцене и формирует их маски. Семейство EoMT также поддерживает семантическую и экземплярную сегментацию с соответствующей постобработкой.

Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и safetensors для библиотеки Transformers. Архитектура обходится без специализированного декодера и модулей слияния пиксельных признаков, что позволяет использовать ViT для сегментации. Лицензия — MIT. В карточке нет сведений о наборах данных, языках или контексте; как модель обработки изображений, она не рассчитана на естественный язык.

Сценарии применения

  • паноптическая сегментация фотографий
  • выделение объектов и областей на изображении
  • анализ визуальных сцен
  • получение масок объектов для последующей обработки

Ограничения

README описывает задачу паноптической сегментации, но не приводит метрик качества, поддерживаемых наборов классов или конкретных ограничений применения. Семантическая и экземплярная сегментация требуют 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 Panotpic Segmentation:

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

from transformers import EomtForUniversalSegmentation, AutoImageProcessor


model_id = "tue-mps/coco_panoptic_eomt_base_640_2x"
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_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()

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
1ac4979

0 моделей