Transformers documentation
DepthPro
Mô hình này được công bố trên HF papers vào ngày 02-10-2024 và được đóng góp cho Hugging Face Transformers vào ngày 10-02-2025.
DepthPro
Tổng quan
Mô hình DepthPro được đề xuất trong Depth Pro: Sharp Monocular Metric Depth in Less Than a Second bởi Aleksei Bochkovskii, Amaël Delaunoy, Hugo Germain, Marcel Santos, Yichao Zhou, Stephan R. Richter, Vladlen Koltun.
DepthPro là một mô hình nền tảng cho ước lượng độ sâu đơn mục có thước đo theo kiểu zero-shot, được thiết kế để tạo ra các bản đồ độ sâu độ phân giải cao với độ sắc nét đáng kể và các chi tiết tinh tế. Nó sử dụng kiến trúc dựa trên Vision Transformer (ViT) đa tỷ lệ, trong đó các hình ảnh được giảm mẫu, chia thành các patch và được xử lý bằng một bộ mã hóa Dinov2 dùng chung. Các đặc trưng ở cấp độ patch được trích xuất sẽ được hợp nhất, tăng mẫu và tinh chỉnh bằng một giai đoạn kết hợp kiểu DPT, cho phép ước lượng độ sâu chính xác.
Tóm tắt từ bài báo như sau:
Chúng tôi giới thiệu một mô hình nền tảng cho ước lượng độ sâu đơn mục theo thước đo (metric) ở chế độ zero-shot. Mô hình của chúng tôi, Depth Pro, tổng hợp các bản đồ độ sâu độ phân giải cao với độ sắc nét vượt trội và các chi tiết tần số cao. Các dự đoán là theo thước đo, có quy mô tuyệt đối, mà không cần dựa vào sự sẵn có của các siêu dữ liệu như thông số nội tại của camera. Và mô hình này nhanh, tạo ra một bản đồ độ sâu 2,25 megapixel trong 0,3 giây trên một GPU tiêu chuẩn. Những đặc điểm này được hỗ trợ bởi một số đóng góp kỹ thuật, bao gồm một vision transformer đa tỷ lệ hiệu quả cho dự đoán dày đặc (dense prediction), một giao thức huấn luyện kết hợp các bộ dữ liệu thực và tổng hợp để đạt được độ chính xác thước đo cao cùng với việc theo dõi biên giới chi tiết, các chỉ số đánh giá chuyên dụng cho độ chính xác biên giới trong các bản đồ độ sâu được ước lượng, và ước lượng tiêu cự tiên tiến từ một hình ảnh đơn. Các thí nghiệm rộng rãi phân tích các lựa chọn thiết kế cụ thể và chứng minh rằng Depth Pro vượt trội so với các công trình trước đó trên nhiều khía cạnh.
DepthPro Outputs. Taken from the official code. Mô hình này được đóng góp bởi geetu040. Mã gốc có thể được tìm thấy tại đây.
Mẹo sử dụng
Mô hình DepthPro xử lý một hình ảnh đầu vào bằng cách trước tiên giảm mẫu nó ở nhiều tỷ lệ khác nhau và chia mỗi phiên bản đã được thay đổi tỷ lệ thành các mảnh (patches). Các mảnh này sau đó được mã hóa bằng trình mã hóa mảnh Dinov2 dựa trên Vision Transformer (ViT) dùng chung, trong khi toàn bộ hình ảnh được xử lý bởi một trình mã hóa hình ảnh riêng biệt. Các đặc trưng mảnh được trích xuất sẽ được hợp nhất thành các bản đồ đặc trưng, được tăng mẫu và kết hợp bằng một trình giải mã kiểu DPT để tạo ra ước lượng độ sâu cuối cùng. Nếu được bật, một trình mã hóa Trường nhìn (FOV) bổ sung sẽ xử lý hình ảnh để ước lượng trường nhìn của máy ảnh, hỗ trợ cải thiện độ chính xác của độ sâu.
import requests
import torch
from PIL import Image
from transformers import DepthProForDepthEstimation, DepthProImageProcessor
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
image_processor = DepthProImageProcessor.from_pretrained("apple/DepthPro-hf")
model = DepthProForDepthEstimation.from_pretrained("apple/DepthPro-hf", device_map="auto")
inputs = image_processor(images=image, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model(**inputs)
post_processed_output = image_processor.post_process_depth_estimation(
outputs, target_sizes=[(image.height, image.width)],
)
field_of_view = post_processed_output[0]["field_of_view"]
focal_length = post_processed_output[0]["focal_length"]
depth = post_processed_output[0]["predicted_depth"]
depth = (depth - depth.min()) / depth.max()
depth = depth * 255.
depth = depth.detach().cpu().numpy()
depth = Image.fromarray(depth.astype("uint8"))Kiến trúc và Cấu hình
DepthPro architecture. Taken from the original paper. Mô hình DepthProForDepthEstimation sử dụng DepthProEncoder để mã hóa ảnh đầu vào và FeatureFusionStage để kết hợp các đặc trưng đầu ra từ bộ mã hóa.
DepthProEncoder tiếp tục sử dụng hai bộ mã hóa:
patch_encoder- Hình ảnh đầu vào được thu phóng theo nhiều tỷ lệ, như được chỉ định trong cấu hình
scaled_images_ratios. - Mỗi ảnh đã được phóng to sẽ được chia thành các patches nhỏ hơn có kích thước
patch_size, với các vùng chồng chéo được xác định bởiscaled_images_overlap_ratios. - Các patch này được xử lý bởi
patch_encoder
- Hình ảnh đầu vào được thu phóng theo nhiều tỷ lệ, như được chỉ định trong cấu hình
image_encoder- Ảnh đầu vào cũng được điều chỉnh kích thước về
patch_sizevà được xử lý bởiimage_encoder
- Ảnh đầu vào cũng được điều chỉnh kích thước về
Cả hai encoder này đều có thể được cấu hình thông qua patch_model_config và image_model_config tương ứng, mặc định cả hai đều là các Dinov2Model riêng biệt.
Đầu ra từ cả hai bộ mã hóa (last_hidden_state) và các trạng thái trung gian được chọn (hidden_states) từ patch_encoder được kết hợp bởi FeatureFusionStage dựa trên DPT để ước lượng độ sâu.
Dự đoán trường nhìn (FOV)
Mạng được bổ sung thêm một đầu ước lượng tiêu cự. Một đầu tích chập nhỏ nhận các đặc trưng đã đóng băng từ mạng ước lượng độ sâu và các đặc trưng riêng cho tác vụ từ một bộ mã hóa ảnh ViT riêng biệt để dự đoán trường nhìn góc ngang.
Tham số use_fov_model trong DepthProConfig kiểm soát việc dự đoán FOV có được bật hay không. Mặc định, tham số này được đặt thành False để tiết kiệm bộ nhớ và tài nguyên tính toán. Khi được bật, FOV encoder sẽ được khởi tạo dựa trên tham số fov_model_config, mặc định là một Dinov2Model. Tham số use_fov_model cũng có thể được truyền vào khi khởi tạo mô hình DepthProForDepthEstimation.
Mô hình được huấn luyện trước tại checkpoint apple/DepthPro-hf sử dụng bộ mã hóa FOV. Để sử dụng mô hình được huấn luyện trước mà không có bộ mã hóa FOV, hãy đặt use_fov_model=False khi tải mô hình, điều này giúp tiết kiệm tính toán.
from transformers import DepthProForDepthEstimation
model = DepthProForDepthEstimation.from_pretrained("apple/DepthPro-hf", use_fov_model=False, device_map="auto")Để khởi tạo một mô hình mới với bộ mã hóa FOV, hãy đặt use_fov_model=True trong cấu hình.
from transformers import DepthProConfig, DepthProForDepthEstimation
config = DepthProConfig(use_fov_model=True)
model = DepthProForDepthEstimation(config)Hoặc đặt use_fov_model=True khi khởi tạo mô hình, điều này sẽ ghi đè lên giá trị trong config.
from transformers import DepthProConfig, DepthProForDepthEstimation
config = DepthProConfig()
model = DepthProForDepthEstimation(config, use_fov_model=True)Sử dụng Scaled Dot Product Attention (SDPA)
PyTorch bao gồm một toán tử scaled dot-product attention (SDPA) bản địa như một phần của torch.nn.functional. Hàm này bao gồm một số triển khai có thể được áp dụng tùy thuộc vào đầu vào và phần cứng đang sử dụng. Xem tài liệu chính thức hoặc trang GPU Inference để biết thêm thông tin.
SDPA được sử dụng mặc định cho torch>=2.1.1 khi có sẵn một bản triển khai, nhưng bạn cũng có thể đặt attn_implementation="sdpa" trong from_pretrained() để yêu cầu sử dụng SDPA một cách rõ ràng.
from transformers import DepthProForDepthEstimation
model = DepthProForDepthEstimation.from_pretrained("apple/DepthPro-hf", attn_implementation="sdpa", device_map="auto")Để đạt được tốc độ tăng tốc tốt nhất, chúng tôi khuyến nghị nạp mô hình ở độ chính xác nửa (ví dụ: torch.float16 hoặc torch.bfloat16).
Trên một benchmark cục bộ (A100-40GB, PyTorch 2.3.0, hệ điều hành Ubuntu 22.04) với float32 và mô hình google/vit-base-patch16-224, chúng tôi đã quan sát thấy các mức tăng tốc sau trong quá trình suy luận.
| Kích thước lô | Thời gian suy luận trung bình (ms), chế độ eager | Thời gian suy luận trung bình (ms), mô hình sdpa | Tăng tốc, Sdpa / Eager (x) |
|---|---|---|---|
| 1 | 7 | 6 | 1.17 |
| 2 | 8 | 6 | 1.33 |
| 4 | 8 | 6 | 1.33 |
| 8 | 8 | 6 | 1.33 |
Tài nguyên
Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với DepthPro:
- Bài báo nghiên cứu: Depth Pro: Sharp Monocular Metric Depth in Less Than a Second
- Bản triển khai chính thức: apple/ml-depth-pro
- DepthPro Inference Notebook: DepthPro Inference
- DepthPro cho Super Resolution và Image Segmentation
- Đọc blog trên Medium: Depth Pro: Beyond Depth
- Mã trên Github: geetu040/depthpro-beyond-depth
Nếu bạn quan tâm đến việc gửi một tài nguyên để được đưa vào đây, hãy thoải mái mở một Pull Request và chúng tôi sẽ xem xét! Lý tưởng nhất là tài nguyên nên minh họa một điều gì đó mới thay vì sao chép một tài nguyên hiện có.
DepthProConfig
lớp transformers.DepthProConfig
< source >( 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 = Nonefusion_hidden_size: int = 256patch_size: int | list[int] | tuple[int, int] = 384initializer_range: float = 0.02intermediate_hook_ids: list[int] | tuple[int, ...] = (11, 5)intermediate_feature_dims: list[int] | tuple[int, ...] = (256, 256)scaled_images_ratios: list[int | float] | tuple[int | float, ...] = (0.25, 0.5, 1)scaled_images_overlap_ratios: list[float] | tuple[float, ...] = (0.0, 0.5, 0.25)scaled_images_feature_dims: list[int] | tuple[int, ...] = (1024, 1024, 512)merge_padding_value: int = 3use_batch_norm_in_fusion_residual: bool = Falseuse_bias_in_fusion_residual: bool = Trueuse_fov_model: bool = Falsenum_fov_head_layers: int = 2image_model_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonepatch_model_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonefov_model_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None )
Tham số
- fusion_hidden_size (
int, tùy chọn, mặc định là 256) — Số lượng kênh trước khi hợp nhất. - patch_size (
Union[int, list[int], tuple[int, int]], tùy chọn, mặc định là384) — Kích thước (độ phân giải) của mỗi patch. - initializer_range (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. - intermediate_hook_ids (
list[int], tùy chọn, mặc định là[11, 5]) — Chỉ số của các trạng thái ẩn trung gian từ bộ mã hóa patch được sử dụng cho việc hợp nhất. - intermediate_feature_dims (
list[int], tùy chọn, mặc định là[256, 256]) — Kích thước trạng thái ẩn trong quá trình upsampling cho mỗi trạng thái ẩn trung gian trongintermediate_hook_ids. - scaled_images_ratios (
list[float], tùy chọn, mặc định là[0.25, 0.5, 1]) — Tỷ lệ của các hình ảnh đã được thu phóng để được sử dụng bởi bộ mã hóa patch. - scaled_images_overlap_ratios (
list[float], tùy chọn, mặc định là[0.0, 0.5, 0.25]) — Tỷ lệ chồng lấp giữa các patch cho từng ảnh đã thu phóng trongscaled_images_ratios. - scaled_images_feature_dims (
list[int], tuỳ chọn, mặc định là[1024, 1024, 512]) — Kích thước trạng thái ẩn trong quá trình upsampling cho từng ảnh đã scale trongscaled_images_ratios. - merge_padding_value (
int, tuỳ chọn, mặc định là 3) — Khi ghép các patch nhỏ hơn trở lại kích thước ảnh, các phần chồng lấn có kích thước này sẽ bị loại bỏ. - use_batch_norm_in_fusion_residual (
bool, tùy chọn, mặc định làFalse) — Có sử dụng batch normalization trong các đơn vị residual pre-activate của các khối fusion hay không. - use_bias_in_fusion_residual (
bool, tùy chọn, mặc định làTrue) — Có sử dụng bias trong các đơn vị residual pre-activate của các khối fusion hay không. - use_fov_model (
bool, tùy chọn, mặc định làFalse) — Có sử dụngDepthProFovModelđể tạo trường nhìn hay không. - num_fov_head_layers (
int, tùy chọn, mặc định là 2) — Số lượng lớp tích chập trong phần đầu củaDepthProFovModel. - image_model_config (
Union[dict[str, Any], PreTrainedConfig], tùy chọn) — Cấu hình của mô hình mã hóa ảnh, được tải bằng API AutoModel. Mặc định, mô hình Dinov2 được sử dụng làm backbone. - patch_model_config (
Union[dict[str, Any], PreTrainedConfig], tùy chọn) — Cấu hình của mô hình patch encoder, được nạp bằng API AutoModel. Mặc định, mô hình Dinov2 được sử dụng làm backbone. - fov_model_config (
Union[dict[str, Any], PreTrainedConfig], tùy chọn) — Cấu hình của mô hình mã hóa fov, được tải bằng API AutoModel. Mặc định, mô hình Dinov2 được sử dụng làm backbone.
Đây là lớp cấu hình để lưu trữ cấu hình của một DepthProModel. Nó được sử dụng để khởi tạo một mô hình Depth Pro theo các đối số được chỉ định, xác định kiến trúc 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 apple/DepthPro
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.
Ví dụ:
>>> from transformers import DepthProConfig, DepthProModel
>>> # Initializing a DepthPro apple/DepthPro style configuration
>>> configuration = DepthProConfig()
>>> # Initializing a model (with random weights) from the apple/DepthPro style configuration
>>> model = DepthProModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configDepthProImageProcessor
lớp transformers.DepthProImageProcessor
< source >( **kwargs: *<class 'transformers.processing_utils.ImagesKwargs'> )
Tham số
- do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên thay đổi kích thước ảnh hay không. - size (
Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, mặc định là{'height' -- 1536, 'width': 1536}): Mô tả kích thước đầu vào tối đa cho mô hình. - default_to_square (
bool, kwargs, tùy chọn, mặc định làTrue) — Có nên mặc định dùng ảnh vuông khi thay đổi kích thước 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 dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, mặc định là2) — 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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional, mặc định là0.00392156862745098) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, tuỳ chọn, mặc định làTrue) — Có nên chuẩn hóa hình ảnh hay không. - image_mean (
Union[float, list[float], tuple[float, ...]], kwargs, optional, mặc định là[0.5, 0.5, 0.5]) — Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - image_std (
Union[float, list[float], tuple[float, ...]], kwargs, tuỳ chọn, mặc định là[0.5, 0.5, 0.5]) — Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, optional) — Có nên 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 cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — 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:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- 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 được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên 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, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — 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 processor. 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, tuỳ chọn) — Có nên 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, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — 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. - Returns các tensor đã xếp chồng nếu được đặt thành
'pt', ngược lại trả về một danh sách các tensor. —
Tạo bộ xử lý ảnh DepthPro.
disable_grouping (bool, kwargs, tùy chọn):
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, tùy 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 processor.
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]*argsimage_like_kwargs: dict[str, typing.Any] | None = None**kwargs: *<class 'transformers.processing_utils.ImagesKwargs'> ) → ~image_processing_base.BatchFeature
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 với giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặtdo_rescale=False. - image_like_kwargs (
dict[str, Any], tùy chọn) — Cờ dành cho nhà phát triển để chỉ định các đầu vào dạng ảnh bổ sung, cũng sẽ được tiền xử lý. Chỉ sử dụng cờ này khi việc truyền các đầu vào dưới dạng kwarg không hoạt động. Ví dụ,preprocess(images, masks=masks)là phương án được ưu tiên nhưng có thể gây ra vấn đề về thứ tự ưu tiên của đối số đối với một số mô hình. Trong những trường hợp đó, có thể sử dụngpreprocess(images, image_like_inputs={"masks": masks})thay thế. - do_convert_rgb (
bool, kwargs, optional) — Có nên chuyển đổi ảnh sang RGB hay không. - do_resize (
bool, kwargs, optional) — 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 thành 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 dụngcenter_crop. - resample (
Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — 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) củaPILImageResampling. Chỉ có hiệu lực khido_resizeđược đặt thànhTrue. - do_rescale (
bool, kwargs, optional) — Có nên điều chỉnh lại tỷ lệ ảnh hay không. - rescale_factor (
float, kwargs, optional) — Hệ số rescale để rescale ảnh nếudo_rescaleđược đặt thànhTrue. - do_normalize (
bool, kwargs, optional) — Có nên chuẩn hóa 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 nếudo_normalizeđược đặt thànhTrue. - 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 nếudo_normalizeđược đặt thànhTrue. - do_pad (
bool, kwargs, optional) — Có nên 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 cho các hình ảnh. Phải lớn hơn kích thước bất kỳ hình ảnh nào được cung cấp để tiền xử lý. Nếu không cung cấppad_size, các hình ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong lô. Chỉ được áp dụng khido_pad=True. - do_center_crop (
bool, kwargs, optional) — Có nên cắt ảnh ở vị trí trung tâm hay không. - data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, optional) — Chỉ hỗ trợChannelDimension.FIRST. Được thêm vào để tương thích với các bộ xử lý chậm. - input_data_format (
Union[str, ~image_utils.ChannelDimension], kwargs, tùy chọn) — 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:"channels_first"hoặcChannelDimension.FIRST: ảnh ở định dạng (num_channels, height, width)."channels_last"hoặcChannelDimension.LAST: ảnh ở định dạng (height, width, num_channels)."none"hoặcChannelDimension.NONE: ảnh ở định dạng (chiều cao, chiều rộng).
- 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 được xếp chồng nếu được đặt thành'pt', ngược lại trả về một danh sách các tensor. - disable_grouping (
bool, kwargs, tuỳ chọn) — Có nên 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, như được mô tả chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 - image_seq_length (
int, kwargs, optional) — 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.
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 một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.
Tiền xử lý một hình ảnh hoặc một lô hình ảnh.
post_process_depth_estimation
< source >( outputs: DepthProDepthEstimatorOutputtarget_sizes: transformers.utils.generic.TensorType | list[tuple[int, int]] | None = None )
Xử lý hậu kỳ các dự đoán độ sâu thô từ mô hình.
DepthProModel
lớp transformers.DepthProModel
< source >( config: DepthProConfig )
Tham số
- config (DepthProConfig) — 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 mô hình.
Mô hình Depth Pro cơ bản, xuất ra các hidden-states thô mà không có bất kỳ head cụ thể nào ở phía trên.
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
< source >( pixel_values: Tensoroutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → DepthProOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó 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 DepthProImageProcessor. Xem DepthProImageProcessor.call() để biết chi tiết (processor_classsử dụng DepthProImageProcessor để xử lý hình ảnh). - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.
Trả về
DepthProOutput hoặc tuple(torch.Tensor)
Một DepthProOutput 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 (DepthProConfig) và đầu vào.
Phương thức forward của DepthProModel 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
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
last_hidden_state (
torch.Tensorcó hình dạng(batch_size, n_patches_per_batch, sequence_length, hidden_size)) — Chuỗi các trạng thái ẩn (hidden-states) tại đầu ra của lớp cuối cùng của mô hình.features (
Union[torch.Tensor, List[torch.Tensor]], tùy chọn) — Dấu hiệu từ các bộ mã hóa. Có thể là một dấu hiệu đơn lẻ hoặc một danh sách các dấu hiệu.hidden_states (
tuple[torch.Tensor, ...], tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple[torch.Tensor, ...], tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
Ví dụ:
>>> import torch
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import AutoProcessor, DepthProModel
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> checkpoint = "apple/DepthPro-hf"
>>> processor = AutoProcessor.from_pretrained(checkpoint)
>>> model = DepthProModel.from_pretrained(checkpoint)
>>> # prepare image for the model
>>> inputs = processor(images=image, return_tensors="pt")
>>> with torch.no_grad():
... output = model(**inputs)
>>> output.last_hidden_state.shape
torch.Size([1, 35, 577, 1024])DepthProForDepthEstimation
class transformers.DepthProForDepthEstimation
< source >( config: DepthProConfiguse_fov_model = None )
Tham số
- config (DepthProConfig) — 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 mô hình.
- use_fov_model (
bool, tùy chọn) — Có sử dụng mô hình trường nhìn hay không.
Mô hình DepthPro với một đầu ước lượng độ sâu ở trên cùng (gồm 3 lớp tích chập).
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
< source >( pixel_values: Tensorlabels: typing.Optional[torch.LongTensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → DepthProDepthEstimatorOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó 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 DepthProImageProcessor. Xem DepthProImageProcessor.call() để biết chi tiết (processor_classsử dụng DepthProImageProcessor để xử lý hình ảnh). - labels (
torch.LongTensorcó hình dạng(batch_size, height, width), tùy chọn) — Bản đồ ước lượng độ sâu chuẩn để tính toán loss. - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.
Trả về
DepthProDepthEstimatorOutput hoặc tuple(torch.Tensor)
Một DepthProDepthEstimatorOutput 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 (DepthProConfig) và đầu vào.
Phương thức forward của DepthProForDepthEstimation 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
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ 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.Tensorcó shape(1,), optional, được trả về khilabelsđược cung cấp) — Loss phân loại (hoặc hồi quy nếu config.num_labels==1).predicted_depth (
torch.Tensorcó hình dạng(batch_size, height, width), tùy chọn) — Độ sâu dự đoán cho từng pixel.field_of_view (
torch.Tensorcó hình dạng(batch_size,), tùy chọn, được trả về khiuse_fov_modelđược cung cấp) — Bộ nhân Field of View.hidden_states (
tuple[torch.Tensor, ...], tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple[torch.Tensor, ...], tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
Ví dụ:
>>> from transformers import AutoImageProcessor, DepthProForDepthEstimation
>>> import torch
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read()))
>>> checkpoint = "apple/DepthPro-hf"
>>> processor = AutoImageProcessor.from_pretrained(checkpoint)
>>> model = DepthProForDepthEstimation.from_pretrained(checkpoint)
>>> device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
>>> model.to(device)
>>> # prepare image for the model
>>> inputs = processor(images=image, return_tensors="pt").to(device)
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> # interpolate to original size
>>> post_processed_output = processor.post_process_depth_estimation(
... outputs, target_sizes=[(image.height, image.width)],
... )
>>> # get the field of view (fov) predictions
>>> field_of_view = post_processed_output[0]["field_of_view"]
>>> focal_length = post_processed_output[0]["focal_length"]
>>> # visualize the prediction
>>> predicted_depth = post_processed_output[0]["predicted_depth"]
>>> depth = predicted_depth * 255 / predicted_depth.max()
>>> depth = depth.detach().cpu().numpy()
>>> depth = Image.fromarray(depth.astype("uint8"))