# MaskFormer

Đây là một mô hình mới được giới thiệu gần đây nên API chưa được kiểm tra rộng rãi. Có thể sẽ có một số lỗi hoặc thay đổi nhỏ gây gián đoạn cần được khắc phục trong tương lai. Nếu bạn phát hiện điều gì đó bất thường, hãy tạo một [Github Issue](https://github.com/huggingface/transformers/issues/new?assignees=&labels=&template=bug-report.md&title).

## Tổng quan

Mô hình MaskFormer được đề xuất trong [Per-Pixel Classification is Not All You Need for Semantic Segmentation](https://huggingface.co/papers/2107.06278) bởi Bowen Cheng, Alexander G. Schwing, Alexander Kirillov. MaskFormer giải quyết bài toán phân đoạn ngữ nghĩa bằng cách tiếp cận phân loại mặt nạ thay vì thực hiện phân loại ở cấp độ pixel theo cách truyền thống.

Tóm tắt từ bài báo như sau:

*Các phương pháp hiện đại thường công thức hóa phân đoạn ngữ nghĩa như một bài toán phân loại theo từng pixel, trong khi phân đoạn ở cấp độ instance được xử lý bằng một phương pháp phân loại mask thay thế. Nhận thức then chốt của chúng tôi: phân loại mask đủ tổng quát để giải quyết cả các bài toán phân đoạn ở cấp độ ngữ nghĩa lẫn cấp độ instance một cách thống nhất, sử dụng cùng một mô hình, cùng một hàm mất mát và cùng một quy trình huấn luyện. Dựa trên quan sát này, chúng tôi đề xuất MaskFormer, một mô hình phân loại mask đơn giản, dự đoán một tập hợp các mask nhị phân, mỗi mask được gắn với một dự đoán nhãn lớp toàn cục duy nhất. Nhìn chung, phương pháp dựa trên phân loại mask được đề xuất đơn giản hóa bức tranh tổng thể của các phương pháp hiệu quả cho các bài toán phân đoạn ngữ nghĩa và phân đoạn toàn cảnh, đồng thời cho thấy kết quả thực nghiệm xuất sắc. Cụ thể, chúng tôi quan sát thấy rằng MaskFormer vượt trội hơn các baseline phân loại theo từng pixel khi số lượng lớp lớn. Phương pháp dựa trên phân loại mask của chúng tôi vượt trội hơn cả các mô hình phân đoạn ngữ nghĩa (55.6 mIoU trên ADE20K) và phân đoạn toàn cảnh (52.7 PQ trên COCO) hiện đang đạt trạng thái nghệ thuật tiên tiến.*

Hình dưới đây minh họa kiến trúc của MaskFormer. Trích từ [bài báo gốc](https://huggingface.co/papers/2107.06278).

Mô hình này được đóng góp bởi [francesco](https://huggingface.co/francesco). Mã gốc có thể được tìm thấy [tại đây](https://github.com/facebookresearch/MaskFormer).

## Mẹo sử dụng

- Bộ giải mã Transformer của MaskFormer giống hệt với bộ giải mã của [DETR](detr). Trong quá trình huấn luyện, các tác giả của DETR nhận thấy việc sử dụng các tổn thất phụ trong bộ giải mã là hữu ích, đặc biệt là để giúp mô hình đưa ra số lượng đúng các đối tượng của mỗi lớp. Nếu bạn đặt tham số `use_auxiliary_loss` của [MaskFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerConfig) thành `True`, thì các mạng nơ-ron tiền tiến dự đoán và tổn thất Hungarian sẽ được thêm vào sau mỗi lớp giải mã (với các FFN chia sẻ tham số).
- Nếu bạn muốn huấn luyện mô hình trong môi trường phân tán trên nhiều nút, thì cần cập nhật hàm `get_num_masks` bên trong lớp `MaskFormerLoss` của `modeling_maskformer.py`. Khi huấn luyện trên nhiều nút, giá trị này nên được đặt thành số lượng trung bình của các target mask trên tất cả các nút, như có thể thấy trong bản triển khai gốc [tại đây](https://github.com/facebookresearch/MaskFormer/blob/da3e60d85fdeedcb31476b5edd7d328826ce56cc/mask_former/modeling/criterion.py#L169).
- Bạn có thể sử dụng [MaskFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor) để chuẩn bị hình ảnh cho mô hình và các mục tiêu tùy chọn cho mô hình.
- Để lấy kết quả phân đoạn cuối cùng, tùy thuộc vào tác vụ, bạn có thể gọi [post_process_semantic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor.post_process_semantic_segmentation) hoặc [post_process_panoptic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor.post_process_panoptic_segmentation). Cả hai tác vụ đều có thể được giải quyết bằng đầu ra của [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation), trong đó phân đoạn panoptic chấp nhận một đối số tùy chọn `label_ids_to_fuse` để gộp các instance của đối tượng đích (ví dụ: bầu trời) lại với nhau.

## Tài nguyên

- Tất cả các notebook minh họa suy luận cũng như tinh chỉnh trên dữ liệu tùy chỉnh với MaskFormer có thể được tìm thấy [tại đây](https://github.com/NielsRogge/Transformers-Tutorials/tree/master/MaskFormer).

## Đầu ra cụ thể của MaskFormer[[transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput]]

#### transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput[[transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput]]

```python
transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput(encoder_last_hidden_state: typing.Optional[torch.Tensor] = None, pixel_decoder_last_hidden_state: typing.Optional[torch.Tensor] = None, transformer_decoder_last_hidden_state: typing.Optional[torch.Tensor] = None, encoder_hidden_states: tuple[torch.Tensor] | None = None, pixel_decoder_hidden_states: tuple[torch.Tensor] | None = None, transformer_decoder_hidden_states: tuple[torch.Tensor] | None = None, hidden_states: tuple[torch.Tensor] | None = None, attentions: tuple[torch.Tensor] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L136)

**Tham số:**

encoder_last_hidden_state (`torch.Tensor` có shape `(batch_size, num_channels, height, width)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone).

pixel_decoder_last_hidden_state (`torch.Tensor` có shape `(batch_size, num_channels, height, width)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng trong mô hình bộ giải mã pixel (FPN).

transformer_decoder_last_hidden_state (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình bộ giải mã transformer.

encoder_hidden_states (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi stage.

pixel_decoder_hidden_states (`tuple(torch.Tensor)`, *tùy 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi stage.

transformer_decoder_hidden_states (`tuple(torch.Tensor)`, *tùy 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 (còn gọi là feature maps) của transformer decoder tại đầu ra của mỗi stage.

hidden_states `tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) : Bộ ba `torch.Tensor` chứa `encoder_hidden_states`, `pixel_decoder_hidden_states` và `decoder_hidden_states`

hidden_states (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) : Tuple của `torch.Tensor` (một cho đầu ra của embeddings, nếu model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape `(batch_size, sequence_length, hidden_size)`. Hidden-states của model tại đầu ra của mỗi lớp cùng với đầu ra embedding ban đầu tùy chọn.

attentions (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) : Tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.  Trọng số chú ý sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).

Lớp cho đầu ra của [MaskFormerModel](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerModel). Lớp này trả về tất cả các trạng thái ẩn cần thiết để tính toán logits.

#### transformers.models.maskformer.modeling_maskformer.MaskFormerForInstanceSegmentationOutput[[transformers.models.maskformer.modeling_maskformer.MaskFormerForInstanceSegmentationOutput]]

```python
transformers.models.maskformer.modeling_maskformer.MaskFormerForInstanceSegmentationOutput(loss: typing.Optional[torch.Tensor] = None, class_queries_logits: typing.Optional[torch.Tensor] = None, masks_queries_logits: typing.Optional[torch.Tensor] = None, auxiliary_logits: typing.Optional[torch.Tensor] = None, encoder_last_hidden_state: typing.Optional[torch.Tensor] = None, pixel_decoder_last_hidden_state: typing.Optional[torch.Tensor] = None, transformer_decoder_last_hidden_state: typing.Optional[torch.Tensor] = None, encoder_hidden_states: tuple[torch.Tensor] | None = None, pixel_decoder_hidden_states: tuple[torch.Tensor] | None = None, transformer_decoder_hidden_states: tuple[torch.Tensor] | None = None, hidden_states: tuple[torch.Tensor] | None = None, attentions: tuple[torch.Tensor] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L182)

**Tham số:**

loss (`torch.Tensor`, *tùy chọn*) : Mất đã được tính toán, được trả về khi có nhãn.

class_queries_logits (`torch.Tensor`, *tùy chọn*) : 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`, *tùy chọn*) : Một tensor có hình dạng `(batch_size, num_queries, height, width)` đại diện cho các mask được đề xuất cho mỗi query.

auxiliary_logits (`Dict[str, torch.Tensor]`, *tùy chọn*, được trả về khi `output_auxiliary_logits=True`) : Từ điển chứa các dự đoán phụ trợ cho từng lớp decoder khi các tổn thất phụ trợ được bật.

encoder_last_hidden_state (`torch.Tensor` có shape `(batch_size, num_channels, height, width)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình encoder (backbone).

pixel_decoder_last_hidden_state (`torch.Tensor` có shape `(batch_size, num_channels, height, width)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng trong mô hình bộ giải mã pixel (FPN).

transformer_decoder_last_hidden_state (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) : Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng của mô hình bộ giải mã transformer.

encoder_hidden_states (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi stage.

pixel_decoder_hidden_states (`tuple(torch.Tensor)`, *tùy 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi stage.

transformer_decoder_hidden_states (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào 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 transformer decoder tại đầu ra của mỗi stage.

hidden_states `tuple(torch.Tensor)`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) : Bộ ba `torch.Tensor` chứa `encoder_hidden_states`, `pixel_decoder_hidden_states` và `decoder_hidden_states`.

hidden_states (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) : Tuple của `torch.Tensor` (một cho đầu ra của embeddings, nếu model có lớp embedding, + một cho đầu ra của mỗi lớp) có shape `(batch_size, sequence_length, hidden_size)`. Hidden-states của model tại đầu ra của mỗi lớp cùng với đầu ra embedding ban đầu tùy chọn.

attentions (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) : Tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.  Trọng số chú ý sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).

Lớp cho đầu ra của [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation).

Đầu ra này có thể được truyền trực tiếp vào [post_process_semantic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor.post_process_semantic_segmentation) hoặc [post_process_instance_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor.post_process_instance_segmentation) hoặc [post_process_panoptic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor.post_process_panoptic_segmentation) tùy thuộc vào tác vụ. Vui lòng xem [`~MaskFormerImageProcessor] để biết chi tiết về cách sử dụng.

## MaskFormerDetrConfig[[transformers.MaskFormerDetrConfig]]

#### transformers.MaskFormerDetrConfig[[transformers.MaskFormerDetrConfig]]

```python
transformers.MaskFormerDetrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, is_encoder_decoder: bool = True, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, num_channels: int = 3, num_queries: int = 100, encoder_layers: int = 6, encoder_ffn_dim: int = 2048, encoder_attention_heads: int = 8, decoder_layers: int = 6, decoder_ffn_dim: int = 2048, decoder_attention_heads: int = 8, encoder_layerdrop: float | int = 0.0, decoder_layerdrop: float | int = 0.0, activation_function: str = 'relu', d_model: int = 256, dropout: float | int = 0.1, attention_dropout: float | int = 0.0, activation_dropout: float | int = 0.0, init_std: float = 0.02, init_xavier_std: float = 1.0, auxiliary_loss: bool = False, position_embedding_type: str = 'sine', dilation: bool = False, class_cost: int = 1, bbox_cost: int = 5, giou_cost: int = 2, mask_loss_coefficient: int = 1, dice_loss_coefficient: int = 1, bbox_loss_coefficient: int = 5, giou_loss_coefficient: int = 2, eos_coefficient: float = 0.1)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/configuration_maskformer.py#L32)

**Tham số:**

is_encoder_decoder (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có được sử dụng như một bộ mã hóa/giải mã hay không.

backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone.

num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào.

num_queries (`int`, *optional*, mặc định là 100) : Số lượng truy vấn đối tượng, tức là các khe phát hiện. Đây là số lượng đối tượng tối đa mà [ConditionalDetrModel](/docs/transformers/v5.23.0/vi/model_doc/conditional_detr#transformers.ConditionalDetrModel) có thể phát hiện trong một hình ảnh duy nhất. Đối với COCO, chúng tôi khuyến nghị sử dụng 100 truy vấn.

encoder_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ mã hóa Transformer. Sẽ sử dụng cùng giá trị với `num_layers` nếu không được đặt.

encoder_ffn_dim (`int`, *optional*, mặc định là `2048`) : Chiều của lớp "intermediate" (thường được gọi là feed-forward) trong encoder.

encoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer.

decoder_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với `num_layers`.

decoder_ffn_dim (`int`, *tuỳ chọn*, mặc định là `2048`) : Độ lớn chiều của lớp "trung gian" (thường được gọi là lớp feed-forward) trong bộ giải mã.

decoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

encoder_layerdrop (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Xác suất LayerDrop cho encoder. Xem [bài báo LayerDrop](see https://huggingface.co/papers/1909.11556) để biết thêm chi tiết.

decoder_layerdrop (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Xác suất LayerDrop cho bộ giải mã. Xem [bài báo LayerDrop](see https://huggingface.co/papers/1909.11556) để biết thêm chi tiết.

activation_function (`str`, *tùy chọn*, mặc định là `relu`) : Hàm kích hoạt phi tuyến tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

d_model (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các lớp encoder và lớp pooler.

dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.1`) : Tỷ lệ cho tất cả các lớp dropout.

attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý.

activation_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các kích hoạt bên trong lớp liên kết đầy đủ.

init_std (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

init_xavier_std (`float`, *tùy chọn*, mặc định là `1.0`) : Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention.

auxiliary_loss (`bool`, *tùy chọn*, mặc định là `False`) : Xác định có sử dụng các tổn thất giải mã phụ (tổn thất ở mỗi lớp giải mã) hay không.

position_embedding_type (`str`, *tùy chọn*, mặc định là `"sine"`) : Loại position embeddings được sử dụng trên các đặc trưng hình ảnh. Một trong `"sine"` hoặc `"learned"`.

dilation (`bool`, *tuỳ chọn*, mặc định là `False`) : Có thay thế stride bằng dilation trong khối convolutional cuối cùng (DC5) hay không. Chỉ được hỗ trợ khi `use_timm_backbone` = `True`.

class_cost (`int`, *optional*, mặc định là `1`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.

bbox_cost (`int`, *optional*, mặc định là `5`) : Trọng số tương đối của lỗi hộp bao L1 trong chi phí khớp Hungarian.

giou_cost (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong chi phí khớp Hungarian.

mask_loss_coefficient (`int`, *optional*, mặc định là `1`) : Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.

dice_loss_coefficient (`int`, *tuỳ chọn*, mặc định là `1`) : Trọng số tương đối của dice loss trong panoptic segmentation loss.

bbox_loss_coefficient (`int`, *tuỳ chọn*, mặc định là `5`) : Trọng số tương đối của tổn thất hộp bao L1 trong tổn thất phân đoạn toàn cảnh.

giou_loss_coefficient (`int`, *optional*, mặc định là `2`) : Trọng số tương đối của tổn thất IoU tổng quát trong tổn thất phân đoạn panoptic.

eos_coefficient (`float`, *tùy chọn*, mặc định là `0.1`) : Trọng số phân loại tương đối của lớp 'no-object' trong hàm mất mát phát hiện đối tượng.

Đây là lớp cấu hình để lưu trữ cấu hình của một MaskFormerModel. Nó được sử dụng để khởi tạo một mô hình Maskformer 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 [facebook/maskformer-swin-base-ade](https://huggingface.co/facebook/maskformer-swin-base-ade)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import MaskFormerDetrConfig, MaskFormerDetrModel

>>> # Initializing a MASK_FORMER_DETR facebook/mask_former_detr-resnet-50 style configuration
>>> configuration = MaskFormerDetrConfig()

>>> # Initializing a model (with random weights) from the facebook/mask_former_detr-resnet-50 style configuration
>>> model = MaskFormerDetrModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## MaskFormerConfig[[transformers.MaskFormerConfig]]

#### transformers.MaskFormerConfig[[transformers.MaskFormerConfig]]

```python
transformers.MaskFormerConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, fpn_feature_size: int = 256, mask_feature_size: int = 256, no_object_weight: float = 0.1, use_auxiliary_loss: bool = False, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, init_std: float = 0.02, init_xavier_std: float = 1.0, dice_weight: float = 1.0, cross_entropy_weight: float = 1.0, mask_weight: float = 20.0, output_auxiliary_logits: bool | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/configuration_maskformer.py#L126)

**Tham số:**

fpn_feature_size (`int`, *tuỳ chọn*, mặc định là 256) : Kích thước đặc trưng của Feature Pyramid Network.

mask_feature_size (`int`, *optional*, mặc định là 256) : Kích thước đặc trưng của các mask, giá trị này cũng sẽ được dùng để chỉ định kích thước đặc trưng của Feature Pyramid Network.

no_object_weight (`float`, *tuỳ chọn*, mặc định là `0.1`) : Trọng số phân loại tương đối của lớp không có đối tượng trong hàm mất mát phát hiện đối tượng.

use_auxiliary_loss (`bool`, *tùy chọn*, mặc định là `False`) : Có tính toán loss sử dụng các dự đoán trung gian từ transformer decoder hay không.

backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone.

decoder_config (`Dict`, *tùy chọn*) : Cấu hình được truyền vào mô hình transformer decoder, nếu không được đặt thì cấu hình cơ sở cho `detr-resnet-50` sẽ được sử dụng.

init_std (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

init_xavier_std (`float`, *tùy chọn*, mặc định là `1.0`) : Hệ số tỷ lệ được sử dụng cho khởi tạo Xavier của trọng số cross-attention.

dice_weight (`float`, *tuỳ chọn*, mặc định là `1.0`) : Trọng số tương đối của dice loss trong panoptic segmentation loss.

cross_entropy_weight (`float`, *tuỳ chọn*, mặc định là 1.0) : Trọng số cho tổn thất entropy chéo.

mask_weight (`float`, *tuỳ chọn*, mặc định là `20.0`) : Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.

output_auxiliary_logits (`bool`, *tùy chọn*) : Mô hình có nên xuất `auxiliary_logits` của nó hay không.

**Lỗi:** ``ValueError``

- ``ValueError`` --  Được ném ra nếu loại mô hình backbone được chọn không nằm trong `["swin"]` hoặc loại mô hình decoder được chọn không nằm trong `["detr"]`

Đây là lớp cấu hình để lưu trữ cấu hình của một MaskFormerModel. Nó được sử dụng để khởi tạo một mô hình Maskformer 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 [facebook/maskformer-swin-base-ade](https://huggingface.co/facebook/maskformer-swin-base-ade)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import MaskFormerConfig, MaskFormerModel

>>> # Initializing a MaskFormer facebook/maskformer-swin-base-ade configuration
>>> configuration = MaskFormerConfig()

>>> # Initializing a model (with random weights) from the facebook/maskformer-swin-base-ade style configuration
>>> model = MaskFormerModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## MaskFormerImageProcessor[[transformers.MaskFormerImageProcessor]]

#### transformers.MaskFormerImageProcessor[[transformers.MaskFormerImageProcessor]]

```python
transformers.MaskFormerImageProcessor(**kwargs: *<class 'transformers.models.maskformer.image_processing_maskformer.MaskFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_maskformer.py#L257)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'shortest_edge' : 800, 'longest_edge': 1333}`): Mô tả kích thước đầu vào tối đa cho mô hình.

default_to_square (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng 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 dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : 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) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có 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 (`SizeDict`, *kwargs*, *optional*) : Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch.

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : 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 sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định 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*, *tuỳ 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 bộ xử lý.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`.

do_reduce_labels (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằng `ignore_index`.

num_labels (`int`, *kwargs*, *optional*) : Số lượng nhãn trong bản đồ phân đoạn.

size_divisor (`int`, *kwargs*, *optional*, mặc định là `32`) : Một số backbone cần hình ảnh có kích thước chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.

Tạo bộ xử lý ảnh MaskFormerImageProcessor.

#### preprocess[[transformers.MaskFormerImageProcessor.preprocess]]

```python
preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], segmentation_maps: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, instance_id_to_semantic_id: list[dict[int, int]] | dict[int, int] | None = None, **kwargs: *<class 'transformers.models.maskformer.image_processing_maskformer.MaskFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_maskformer.py#L380)

**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 có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`.

segmentation_maps (`ImageInput`, *tùy chọn*) : Các bản đồ phân đoạn.

instance_id_to_semantic_id (`Union[list[dict[int, int]], dict[int, int]]`, *tùy chọn*) : Bản ánh xạ từ các ID instance sang các ID semantic.

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *optional*) : Xác định 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 dùng 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 dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình 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 nếu `do_normalize` được đặt thành `True`.

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 nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có 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 (`SizeDict`, *kwargs*, *optional*) : Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch.

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : 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 sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định 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*, *tuỳ 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 bộ xử lý.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`.

do_reduce_labels (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằng `ignore_index`.

num_labels (`int`, *kwargs*, *optional*) : Số lượng nhãn trong bản đồ phân đoạn.

size_divisor (`int`, *kwargs*, *optional*, mặc định là `32`) : Một số backbone cần hình ảnh có kích thước chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.

**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 tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

#### post_process_semantic_segmentation[[transformers.MaskFormerImageProcessor.post_process_semantic_segmentation]]

```python
post_process_semantic_segmentation(outputs, target_sizes: list[tuple[int, int]] | None = None, return_segmentation_scores: bool = False)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_maskformer.py#L546)

**Tham số:**

outputs ([MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation)) : Đầu ra thô của mô hình.

target_sizes (`list[tuple[int, int]]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_segmentation_scores (`bool`, *tùy chọn*, mặc định là `False`) : Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi `True`, mỗi phần tử của danh sách được trả về là một `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`).

**Trả về:** `list[torch.Tensor]` hoặc `list[SemanticSegmentationPostProcessorOutput]`

Khi `return_segmentation_scores=False` (mặc định), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). Trong cả hai trường hợp, `(height, width)` tương ứng với kích thước đích (nếu `target_sizes` được chỉ định).

Chuyển đổi đầu ra của [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

#### post_process_instance_segmentation[[transformers.MaskFormerImageProcessor.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, target_sizes: list[tuple[int, int]] | None = None, return_coco_annotation: bool | None = False, return_binary_maps: bool | None = False)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_maskformer.py#L616)

**Tham số:**

outputs ([MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation)) : Đầu ra thô của mô hình.

threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán.

mask_threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.

overlap_mask_area_threshold (`float`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.

target_sizes (`list[Tuple]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_coco_annotation (`bool`, *tùy chọn*, mặc định là `False`) : Nếu được đặt thành `True`, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO.

return_binary_maps (`bool`, *tùy chọn*, mặc định là `False`) : Nếu được đặt thành `True`, các bản đồ phân đoạn sẽ được trả về dưới dạng một tensor ghép nối của các bản đồ phân đoạn nhị phân (một bản đồ cho mỗi đối tượng được phát hiện).

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- **segmentation** -- Một tensor có hình dạng `(height, width)` trong đó mỗi pixel đại diện cho một `segment_id`, hoặc `list[List]` mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thành `True`, hoặc một tensor có hình dạng `(num_instances, height, width)` nếu return_binary_maps được đặt thành `True`. Đặt thành `None` nếu không tìm thấy mask nào vượt quá `threshold`.
- **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn.
  - **id** -- Một số nguyên đại diện cho `segment_id`.
  - **label_id** -- Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với `segment_id`.
  - **score** -- Điểm dự đoán của phân đoạn có `segment_id`.

Chuyển đổi đầu ra của `MaskFormerForInstanceSegmentationOutput` thành các dự đoán phân đoạn đối tượng. Chỉ hỗ trợ PyTorch. Nếu các đối tượng có thể chồng lấp lên nhau, hãy đặt return_coco_annotation hoặc return_binary_maps thành `True` để nhận kết quả phân đoạn chính xác.

#### post_process_panoptic_segmentation[[transformers.MaskFormerImageProcessor.post_process_panoptic_segmentation]]

```python
post_process_panoptic_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, label_ids_to_fuse: set[int] | None = None, target_sizes: list[tuple[int, int]] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_maskformer.py#L733)

**Tham số:**

outputs (`MaskFormerForInstanceSegmentationOutput`) : Đầu ra từ [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation).

threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán.

mask_threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.

overlap_mask_area_threshold (`float`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.

label_ids_to_fuse (`Set[int]`, *tùy chọn*) : Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn cho bầu trời sẽ nằm trong tập hợp đó, nhưng ID cho người thì không.

target_sizes (`list[Tuple]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- **segmentation** -- một tensor có hình dạng `(height, width)` trong đó mỗi pixel đại diện cho một `segment_id`, được đặt thành `None` nếu không tìm thấy mask nào vượt quá `threshold`. Nếu `target_sizes` được chỉ định, segmentation sẽ được thay đổi kích thước để khớp với mục `target_sizes` tương ứng.
- **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn.
  - **id** -- một số nguyên đại diện cho `segment_id`.
  - **label_id** -- Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với `segment_id`.
  - **was_fused** -- một giá trị boolean, `True` nếu `label_id` nằm trong `label_ids_to_fuse`, `False` trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một `segment_id` duy nhất.
  - **score** -- Điểm dự đoán của phân đoạn có `segment_id`.

Chuyển đổi đầu ra của `MaskFormerForInstanceSegmentationOutput` thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.

## MaskFormerImageProcessorPil[[transformers.MaskFormerImageProcessorPil]]

#### transformers.MaskFormerImageProcessorPil[[transformers.MaskFormerImageProcessorPil]]

```python
transformers.MaskFormerImageProcessorPil(**kwargs: *<class 'transformers.models.maskformer.image_processing_pil_maskformer.MaskFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_pil_maskformer.py#L270)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'shortest_edge' : 800, 'longest_edge': 1333}`): Mô tả kích thước đầu vào tối đa cho mô hình.

default_to_square (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên mặc định sử dụng 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 dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : 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) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có 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 (`SizeDict`, *kwargs*, *optional*) : Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch.

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : 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 sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định 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*, *tuỳ 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 bộ xử lý.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`.

do_reduce_labels (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằng `ignore_index`.

num_labels (`int`, *kwargs*, *optional*) : Số lượng nhãn trong bản đồ phân đoạn.

size_divisor (`int`, *kwargs*, *optional*, mặc định là `32`) : Một số backbone cần hình ảnh có kích thước chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.

Tạo bộ xử lý ảnh MaskFormerImageProcessor.

#### preprocess[[transformers.MaskFormerImageProcessorPil.preprocess]]

```python
preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], segmentation_maps: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, instance_id_to_semantic_id: list[dict[int, int]] | dict[int, int] | None = None, **kwargs: *<class 'transformers.models.maskformer.image_processing_pil_maskformer.MaskFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_pil_maskformer.py#L438)

**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 có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`.

segmentation_maps (`ImageInput`, *tùy chọn*) : Các bản đồ phân đoạn.

instance_id_to_semantic_id (`Union[list[dict[int, int]], dict[int, int]]`, *tùy chọn*) : Bản ánh xạ từ các ID instance sang các ID semantic.

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *optional*) : Xác định 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 dùng 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 dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình 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 nếu `do_normalize` được đặt thành `True`.

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 nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có 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 (`SizeDict`, *kwargs*, *optional*) : Kích thước để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch.

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : 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 sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

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 đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định 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*, *tuỳ 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 bộ xử lý.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn được gán cho các pixel nền trong các bản đồ phân đoạn. Nếu được cung cấp, các pixel trong bản đồ phân đoạn được ký hiệu bằng 0 (nền) sẽ được thay thế bằng `ignore_index`.

do_reduce_labels (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn của các bản đồ phân đoạn đi 1 hay không. Thường được sử dụng cho các bộ dữ liệu mà 0 được dùng cho nền, và bản thân nền không được bao gồm trong tất cả các lớp của bộ dữ liệu (ví dụ: ADE20k). Nhãn nền sẽ được thay thế bằng `ignore_index`.

num_labels (`int`, *kwargs*, *optional*) : Số lượng nhãn trong bản đồ phân đoạn.

size_divisor (`int`, *kwargs*, *optional*, mặc định là `32`) : Một số backbone cần hình ảnh có kích thước chia hết cho một số nhất định. Nếu không được truyền vào, giá trị mặc định sẽ là giá trị được sử dụng trong Swin Transformer.

**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 tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

#### post_process_semantic_segmentation[[transformers.MaskFormerImageProcessorPil.post_process_semantic_segmentation]]

```python
post_process_semantic_segmentation(outputs, target_sizes: list[tuple[int, int]] | None = None, return_segmentation_scores: bool = False)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_pil_maskformer.py#L583)

**Tham số:**

outputs ([MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation)) : Đầu ra thô của mô hình.

target_sizes (`list[tuple[int, int]]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_segmentation_scores (`bool`, *tùy chọn*, mặc định là `False`) : Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi `True`, mỗi phần tử của danh sách được trả về là một `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`).

**Trả về:** `list[torch.Tensor]` hoặc `list[SemanticSegmentationPostProcessorOutput]`

Khi `return_segmentation_scores=False` (mặc định), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). Trong cả hai trường hợp, `(height, width)` tương ứng với kích thước đích (nếu `target_sizes` được chỉ định).

Chuyển đổi đầu ra của [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

#### post_process_instance_segmentation[[transformers.MaskFormerImageProcessorPil.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, target_sizes: list[tuple[int, int]] | None = None, return_coco_annotation: bool | None = False, return_binary_maps: bool | None = False)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_pil_maskformer.py#L653)

**Tham số:**

outputs ([MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation)) : Đầu ra thô của mô hình.

threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán.

mask_threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.

overlap_mask_area_threshold (`float`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.

target_sizes (`list[Tuple]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_coco_annotation (`bool`, *tùy chọn*, mặc định là `False`) : Nếu được đặt thành `True`, các bản đồ phân đoạn sẽ được trả về ở định dạng mã hóa độ dài chạy (RLE) của COCO.

return_binary_maps (`bool`, *tùy chọn*, mặc định là `False`) : Nếu được đặt thành `True`, các bản đồ phân đoạn sẽ được trả về dưới dạng một tensor ghép nối của các bản đồ phân đoạn nhị phân (một bản đồ cho mỗi đối tượng được phát hiện).

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- **segmentation** -- Một tensor có hình dạng `(height, width)` trong đó mỗi pixel đại diện cho một `segment_id`, hoặc `list[List]` mã hóa độ dài chạy (RLE) của bản đồ phân đoạn nếu return_coco_annotation được đặt thành `True`, hoặc một tensor có hình dạng `(num_instances, height, width)` nếu return_binary_maps được đặt thành `True`. Đặt thành `None` nếu không tìm thấy mask nào vượt quá `threshold`.
- **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn.
  - **id** -- Một số nguyên đại diện cho `segment_id`.
  - **label_id** -- Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với `segment_id`.
  - **score** -- Điểm dự đoán của phân đoạn có `segment_id`.

Chuyển đổi đầu ra của `MaskFormerForInstanceSegmentationOutput` thành các dự đoán phân đoạn đối tượng. Chỉ hỗ trợ PyTorch. Nếu các đối tượng có thể chồng lấp lên nhau, hãy đặt return_coco_annotation hoặc return_binary_maps thành `True` để nhận kết quả phân đoạn chính xác.

#### post_process_panoptic_segmentation[[transformers.MaskFormerImageProcessorPil.post_process_panoptic_segmentation]]

```python
post_process_panoptic_segmentation(outputs, threshold: float = 0.5, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, label_ids_to_fuse: set[int] | None = None, target_sizes: list[tuple[int, int]] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/image_processing_pil_maskformer.py#L771)

**Tham số:**

outputs (`MaskFormerForInstanceSegmentationOutput`) : Đầu ra từ [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation).

threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng điểm xác suất để giữ lại các mặt nạ (mask) của các đối tượng được dự đoán.

mask_threshold (`float`, *optional*, mặc định là 0.5) : Ngưỡng sử dụng khi chuyển các mặt nạ dự đoán thành giá trị nhị phân.

overlap_mask_area_threshold (`float`, *optional*, mặc định là 0.8) : Ngưỡng diện tích của mặt nạ chồng chéo để hợp nhất hoặc loại bỏ các phần nhỏ bị ngắt kết nối bên trong mỗi mặt nạ instance nhị phân.

label_ids_to_fuse (`Set[int]`, *tùy chọn*) : Các nhãn trong trạng thái này sẽ có tất cả các instance của chúng được hợp nhất lại với nhau. Ví dụ, chúng ta có thể nói rằng trong một hình ảnh chỉ có thể có một bầu trời, nhưng có thể có nhiều người, do đó ID nhãn cho bầu trời sẽ nằm trong tập hợp đó, nhưng ID cho người thì không.

target_sizes (`list[Tuple]`, *tùy chọn*) : Danh sách có độ dài (batch_size), trong đó mỗi phần tử danh sách (`tuple[int, int]]`) tương ứng với kích thước cuối cùng (chiều cao, chiều rộng) được yêu cầu của mỗi dự đoán trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa hai khóa:
- **segmentation** -- một tensor có hình dạng `(height, width)` trong đó mỗi pixel đại diện cho một `segment_id`, được đặt thành `None` nếu không tìm thấy mask nào vượt quá `threshold`. Nếu `target_sizes` được chỉ định, segmentation sẽ được thay đổi kích thước để khớp với mục `target_sizes` tương ứng.
- **segments_info** -- Một từ điển chứa thông tin bổ sung về từng phân đoạn.
  - **id** -- một số nguyên đại diện cho `segment_id`.
  - **label_id** -- Một số nguyên đại diện cho id nhãn / lớp ngữ nghĩa tương ứng với `segment_id`.
  - **was_fused** -- một giá trị boolean, `True` nếu `label_id` nằm trong `label_ids_to_fuse`, `False` trong trường hợp ngược lại. Nhiều instance của cùng một class / label đã được hợp nhất và gán một `segment_id` duy nhất.
  - **score** -- Điểm dự đoán của phân đoạn có `segment_id`.

Chuyển đổi đầu ra của `MaskFormerForInstanceSegmentationOutput` thành các dự đoán phân đoạn panoptic của hình ảnh. Chỉ hỗ trợ PyTorch.

## MaskFormerModel[[transformers.MaskFormerModel]]

#### transformers.MaskFormerModel[[transformers.MaskFormerModel]]

```python
transformers.MaskFormerModel(config: MaskFormerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L1749)

**Tham số:**

config ([MaskFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerConfig)) : 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()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Model Maskformer cơ bản, xuất ra các hidden-states thô mà không có head cụ thể nào ở phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.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 ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.MaskFormerModel.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L1759)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [MaskFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor). Xem [MaskFormerImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [MaskFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor) để xử lý ảnh).

pixel_mask (`torch.Tensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** [MaskFormerModelOutput](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput) hoặc `tuple(torch.Tensor)`

Một [MaskFormerModelOutput](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.models.maskformer.modeling_maskformer.MaskFormerModelOutput) 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 ([MaskFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerConfig)) và đầu vào.

Phương thức forward của [MaskFormerModel](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerModel) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng.

- **encoder_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 giai đoạn cuối cùng của mô hình encoder (backbone).
- **pixel_decoder_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 giai đoạn cuối cùng của mô hình pixel decoder (FPN).
- **transformer_decoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng trong mô hình transformer decoder.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *tùy 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi stage.
- **pixel_decoder_hidden_states** (`tuple(torch.Tensor)`, *tùy 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 giai đoạn) có hình dạng `(batch_size, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn.
- **transformer_decoder_hidden_states** (`tuple(torch.Tensor)`, *tùy 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 giai đoạn) có hình dạng `(batch_size, sequence_length, hidden_size)`. Hidden-states (còn gọi là feature maps) của transformer decoder tại đầu ra của mỗi giai đoạn. hidden_states `tuple(torch.Tensor)`, *tùy chọn*, được trả về khi truyền `output_hidden_states=True` hoặc khi `config.output_hidden_states=True`): Tuple của `torch.Tensor` chứa `encoder_hidden_states`, `pixel_decoder_hidden_states` và `decoder_hidden_states`
- **hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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:

```python
>>> from transformers import AutoImageProcessor, MaskFormerModel
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO

>>> # load MaskFormer fine-tuned on ADE20k semantic segmentation
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/maskformer-swin-base-ade")
>>> model = MaskFormerModel.from_pretrained("facebook/maskformer-swin-base-ade")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> inputs = image_processor(image, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**inputs)

>>> # the decoder of MaskFormer outputs hidden states of shape (batch_size, num_queries, hidden_size)
>>> transformer_decoder_last_hidden_state = outputs.transformer_decoder_last_hidden_state
>>> list(transformer_decoder_last_hidden_state.shape)
[1, 100, 256]
```

## MaskFormerForInstanceSegmentation[[transformers.MaskFormerForInstanceSegmentation]]

#### transformers.MaskFormerForInstanceSegmentation[[transformers.MaskFormerForInstanceSegmentation]]

```python
transformers.MaskFormerForInstanceSegmentation(config: MaskFormerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L1848)

#### forward[[transformers.MaskFormerForInstanceSegmentation.forward]]

```python
forward(pixel_values: Tensor, mask_labels: list[torch.Tensor] | None = None, class_labels: list[torch.Tensor] | None = None, pixel_mask: typing.Optional[torch.Tensor] = None, output_auxiliary_logits: bool | None = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/maskformer/modeling_maskformer.py#L1930)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [MaskFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor). Xem [MaskFormerImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [MaskFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerImageProcessor) để xử lý 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]`.

pixel_mask (`torch.Tensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

output_auxiliary_logits (`bool`, *tùy chọn*) : Có xuất ra các logits phụ hay không.

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** [MaskFormerForInstanceSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.models.maskformer.modeling_maskformer.MaskFormerForInstanceSegmentationOutput) hoặc `tuple(torch.Tensor)`

Một [MaskFormerForInstanceSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.models.maskformer.modeling_maskformer.MaskFormerForInstanceSegmentationOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MaskFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerConfig)) và đầu vào.

Phương thức forward của [MaskFormerForInstanceSegmentation](/docs/transformers/v5.23.0/vi/model_doc/maskformer#transformers.MaskFormerForInstanceSegmentation) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn 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 bỏ qua chúng một cách im lặng.

- **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.
- **auxiliary_logits** (`Dict[str, torch.Tensor]`, *tùy chọn*, được trả về khi `output_auxiliary_logits=True`) -- Từ điển chứa các dự đoán phụ cho từng lớp decoder khi các tổn thất phụ được bật.
- **encoder_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 giai đoạn cuối cùng của mô hình encoder (backbone).
- **pixel_decoder_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 giai đoạn cuối cùng của mô hình pixel decoder (FPN).
- **transformer_decoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của giai đoạn cuối cùng trong mô hình transformer decoder.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *tùy 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, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình encoder tại đầu ra của mỗi stage.
- **pixel_decoder_hidden_states** (`tuple(torch.Tensor)`, *tùy 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 giai đoạn) có hình dạng `(batch_size, num_channels, height, width)`. Hidden-states (còn gọi là feature maps) của mô hình pixel decoder tại đầu ra của mỗi giai đoạn.
- **transformer_decoder_hidden_states** (`tuple(torch.Tensor)`, *tùy chọn*, được trả về khi truyền `output_hidden_states=True` hoặc khi `config.output_hidden_states=True`) -- Bộ ba `torch.Tensor` (một cho đầu ra của embeddings + một cho đầu ra của mỗi giai đoạn) có hình dạng `(batch_size, sequence_length, hidden_size)`. Trạng thái ẩn của bộ giải mã transformer tại đầu ra của mỗi giai đoạn. hidden_states `tuple(torch.Tensor)`, *tùy chọn*, được trả về khi truyền `output_hidden_states=True` hoặc khi `config.output_hidden_states=True`): Bộ ba `torch.Tensor` chứa `encoder_hidden_states`, `pixel_decoder_hidden_states` và `decoder_hidden_states`.
- **hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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:

Ví dụ về phân đoạn ngữ nghĩa:

```python
>>> from transformers import AutoImageProcessor, MaskFormerForInstanceSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO

>>> # load MaskFormer fine-tuned on ADE20k semantic segmentation
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/maskformer-swin-base-ade")
>>> model = MaskFormerForInstanceSegmentation.from_pretrained("facebook/maskformer-swin-base-ade")

>>> url = (
...     "https://huggingface.co/datasets/hf-internal-testing/fixtures_ade20k/resolve/main/ADE_val_00000001.jpg"
... )
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> outputs = model(**inputs)
>>> # model predicts class_queries_logits of shape `(batch_size, num_queries)`
>>> # and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
>>> class_queries_logits = outputs.class_queries_logits
>>> masks_queries_logits = outputs.masks_queries_logits

>>> # you can pass them to image_processor for postprocessing
>>> predicted_semantic_map = image_processor.post_process_semantic_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]

>>> # we refer to the demo notebooks for visualization (see "Resources" section in the MaskFormer docs)
>>> list(predicted_semantic_map.shape)
[512, 683]
```

Ví dụ về phân đoạn toàn cảnh:

```python
>>> from transformers import AutoImageProcessor, MaskFormerForInstanceSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO

>>> # load MaskFormer fine-tuned on COCO panoptic segmentation
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/maskformer-swin-base-coco")
>>> model = MaskFormerForInstanceSegmentation.from_pretrained("facebook/maskformer-swin-base-coco")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))
>>> inputs = image_processor(images=image, return_tensors="pt")

>>> outputs = model(**inputs)
>>> # model predicts class_queries_logits of shape `(batch_size, num_queries)`
>>> # and masks_queries_logits of shape `(batch_size, num_queries, height, width)`
>>> class_queries_logits = outputs.class_queries_logits
>>> masks_queries_logits = outputs.masks_queries_logits

>>> # you can pass them to image_processor for postprocessing
>>> result = image_processor.post_process_panoptic_segmentation(outputs, target_sizes=[(image.height, image.width)])[0]

>>> # we refer to the demo notebooks for visualization (see "Resources" section in the MaskFormer docs)
>>> predicted_panoptic_map = result["segmentation"]
>>> list(predicted_panoptic_map.shape)
[480, 640]
```

