Transformers documentation
SAM3 트래커 비디오
이 모델은 2025-11-19에 Hugging Face Transformers에 기여되었습니다.
SAM3 트래커 비디오
개요
SAM3(Segment Anything Model 3)은 SAM 3: Segment Anything with Concepts에서 소개되었습니다.
Sam3TrackerVideo는 비디오에서 Promptable Visual Segmentation (PVS)를 수행합니다. PVS는 인터랙티브 시각 프롬프트(점, 박스, 마스크) 또는 텍스트 입력을 받아 비디오 프레임 전반에 걸쳐 프롬프트마다 특정 객체 인스턴스를 추적합니다.
Sam3TrackerVideo는 SAM2 Video의 업데이트된 버전으로, 동일한 API를 유지하면서 향상된 성능과 기능을 제공합니다.
해당 논문의 초록은 다음과 같습니다:
Segment Anything Model (SAM) 3를 소개합니다. SAM 3은 개념 프롬프트를 기반으로 이미지와 비디오에서 객체를 감지, 분할 및 추적하는 통합 모델입니다. 여기서 개념 프롬프트는 짧은 명사 구(예: “yellow school bus”), 이미지 예시, 또는 이 둘의 조합으로 정의됩니다. Promptable Concept Segmentation(PCS)는 이러한 프롬프트를 입력으로 받아 일치하는 모든 객체 인스턴스에 대해 분할 마스크와 고유한 ID를 반환합니다. PCS를 발전시키기 위해, 이미지와 비디오에 걸쳐 400만 개의 고유한 개념 라벨(어려운 음수 포함)을 포함하는 고품질 데이터셋을 생성하는 확장 가능한 데이터 엔진을 구축했습니다. 우리의 모델은 단일 백본을 공유하는 이미지 수준의 감지기와 메모리 기반 비디오 트래커로 구성됩니다. 존재 헤드(presence head)를 통해 인식과 위치 파악을 분리하여 감지 정확도를 높였습니다. SAM 3은 이미지와 비디오 PCS 모두에서 기존 시스템의 정확도를 2배로 높였으며, 시각 분할 작업에서 이전 SAM의 기능을 향상시켰습니다. 우리는 프롬프트 기반 개념 분할을 위한 새로운 Segment Anything with Concepts(SA-Co) 벤치마크와 함께 SAM 3을 오픈소스로 공개합니다.
이 모델은 yonigozlan과 ronghanghu에 의해 기여되었습니다.
사용 예시
비디오 분할 및 추적
기본 비디오 추적
from transformers import Sam3TrackerVideoModel, Sam3TrackerVideoProcessor
import torch
model = Sam3TrackerVideoModel.from_pretrained("facebook/sam3", device_map="auto")
processor = Sam3TrackerVideoProcessor.from_pretrained("facebook/sam3")
# Load video frames (example assumes you have a list of PIL Images)
# video_frames = [Image.open(f"frame_{i:05d}.jpg") for i in range(num_frames)]
# For this example, we'll use the video loading utility
from transformers.video_utils import load_video
video_url = "https://huggingface.co/datasets/hf-internal-testing/sam2-fixtures/resolve/main/bedroom.mp4"
video_frames, _ = load_video(video_url)
# Initialize video inference session
inference_session = processor.init_video_session(
video=video_frames,
inference_device=device,
)
# Add click on first frame to select object
ann_frame_idx = 0
ann_obj_id = 1
points = [[[[210, 350]]]]
labels = [[[1]]]
processor.add_inputs_to_inference_session(
inference_session=inference_session,
frame_idx=ann_frame_idx,
obj_ids=ann_obj_id,
input_points=points,
input_labels=labels,
)
# Segment the object on the first frame (optional, you can also propagate the masks through the video directly)
outputs = model(
inference_session=inference_session,
frame_idx=ann_frame_idx,
)
video_res_masks = processor.post_process_masks(
[outputs.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
print(f"Segmentation shape: {video_res_masks.shape}")
Segmentation shape: torch.Size([1, 1, 480, 854])
# Propagate through the entire video
video_segments = {}
for sam3_tracker_video_output in model.propagate_in_video_iterator(inference_session):
video_res_masks = processor.post_process_masks(
[sam3_tracker_video_output.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
video_segments[sam3_tracker_video_output.frame_idx] = video_res_masks
print(f"Tracked object through {len(video_segments)} frames")
Tracked object through 180 frames다중 객체 비디오 추적
다중 객체를 비디오 프레임에 걸쳐 동시에 추적합니다:
# Reset for new tracking session
inference_session.reset_inference_session()
# Add multiple objects on the first frame
ann_frame_idx = 0
obj_ids = [2, 3]
input_points = [[[[200, 300]], [[400, 150]]]] # Points for two objects (batched)
input_labels = [[[1], [1]]]
processor.add_inputs_to_inference_session(
inference_session=inference_session,
frame_idx=ann_frame_idx,
obj_ids=obj_ids,
input_points=input_points,
input_labels=input_labels,
)
# Get masks for both objects on first frame (optional, you can also propagate the masks through the video directly)
outputs = model(
inference_session=inference_session,
frame_idx=ann_frame_idx,
)
# Propagate both objects through video
video_segments = {}
for sam3_tracker_video_output in model.propagate_in_video_iterator(inference_session):
video_res_masks = processor.post_process_masks(
[sam3_tracker_video_output.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
video_segments[sam3_tracker_video_output.frame_idx] = {
obj_id: video_res_masks[i]
for i, obj_id in enumerate(inference_session.obj_ids)
}
print(f"Tracked {len(inference_session.obj_ids)} objects through {len(video_segments)} frames")
Tracked 2 objects through 180 frames비디오 분할 개선
프레임에서 추가 클릭을 수행하여 추적을 정밀하게 조정할 수 있습니다:
# Add refinement click on a later frame
refine_frame_idx = 50
ann_obj_id = 2 # Refining first object
points = [[[[220, 280]]]] # Additional point
labels = [[[1]]] # Positive click
processor.add_inputs_to_inference_session(
inference_session=inference_session,
frame_idx=refine_frame_idx,
obj_ids=ann_obj_id,
input_points=points,
input_labels=labels,
)
# Re-propagate with the additional information
video_segments = {}
for sam3_tracker_video_output in model.propagate_in_video_iterator(inference_session):
video_res_masks = processor.post_process_masks(
[sam3_tracker_video_output.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
video_segments[sam3_tracker_video_output.frame_idx] = video_res_masks스트리밍 비디오 추론
실시간 애플리케이션을 위해, Sam3TrackerVideo는 프레임이 도착하는 대로 비디오 프레임을 처리하는 것을 지원합니다:
# Initialize session for streaming
inference_session = processor.init_video_session(
inference_device=device,
)
# Process frames one by one
for frame_idx, frame in enumerate(video_frames[:10]): # Process first 10 frames
inputs = processor(images=frame, device=device, return_tensors="pt").to(model.device)
...
if frame_idx == 0:
# Add point input on first frame
processor.add_inputs_to_inference_session(
inference_session=inference_session,
frame_idx=0,
obj_ids=1,
input_points=[[[[210, 350], [250, 220]]]],
input_labels=[[[1, 1]]],
original_size=inputs.original_sizes[0], # need to be provided when using streaming video inference
)
...
# Process current frame
sam3_tracker_video_output = model(inference_session=inference_session, frame=inputs.pixel_values[0])
...
video_res_masks = processor.post_process_masks(
[sam3_tracker_video_output.pred_masks], original_sizes=inputs.original_sizes, binarize=False
)[0]
print(f"Frame {frame_idx}: mask shape {video_res_masks.shape}")여러 개체를 위한 비디오 배치 처리
동시에 여러 개체를 추적하려면, 모든 개체를 한 번에 추가하여 비디오에서 동시에 추적할 수 있습니다:
# Initialize video session
inference_session = processor.init_video_session(
video=video_frames,
inference_device=device,
)
# Add multiple objects on the first frame using batch processing
ann_frame_idx = 0
obj_ids = [2, 3] # Track two different objects
input_points = [
[[[200, 300], [230, 250], [275, 175]], [[400, 150]]]
] # Object 2: 3 points (2 positive, 1 negative); Object 3: 1 point
input_labels = [
[[1, 1, 0], [1]]
] # Object 2: positive, positive, negative; Object 3: positive
processor.add_inputs_to_inference_session(
inference_session=inference_session,
frame_idx=ann_frame_idx,
obj_ids=obj_ids,
input_points=input_points,
input_labels=input_labels,
)
# Get masks for all objects on the first frame
outputs = model(
inference_session=inference_session,
frame_idx=ann_frame_idx,
)
video_res_masks = processor.post_process_masks(
[outputs.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
print(f"Generated masks for {video_res_masks.shape[0]} objects")
Generated masks for 2 objects
# Propagate all objects through the video
video_segments = {}
for sam3_tracker_video_output in model.propagate_in_video_iterator(inference_session):
video_res_masks = processor.post_process_masks(
[sam3_tracker_video_output.pred_masks], original_sizes=[[inference_session.video_height, inference_session.video_width]], binarize=False
)[0]
video_segments[sam3_tracker_video_output.frame_idx] = {
obj_id: video_res_masks[i]
for i, obj_id in enumerate(inference_session.obj_ids)
}
print(f"Tracked {len(inference_session.obj_ids)} objects through {len(video_segments)} frames")
Tracked 2 objects through 180 framesSam3TrackerVideoConfig
클래스 transformers.Sam3TrackerVideoConfig
< 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 = Nonevision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneprompt_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonemask_decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneinitializer_range: float = 0.02num_maskmem: int = 7sigmoid_scale_for_mem_enc: float = 20.0sigmoid_bias_for_mem_enc: float = -10.0enable_occlusion_spatial_embedding: bool = Truemultimask_output_in_sam: bool = Truemultimask_min_pt_num: int = 0multimask_max_pt_num: int = 1multimask_output_for_tracking: bool = Truemax_object_pointers_in_encoder: int = 16max_cond_frame_num: int = 4enable_temporal_pos_encoding_for_object_pointers: bool = Truememory_attention_hidden_size: int = 256memory_attention_num_layers: int = 4memory_attention_num_attention_heads: int = 1memory_attention_downsample_rate: int = 1memory_attention_feed_forward_hidden_size: int = 2048memory_attention_feed_forward_hidden_act: str = 'relu'memory_attention_dropout: float | int = 0.1memory_attention_rope_feat_sizes: list | None = Nonememory_attention_rope_dropout: float | int = 0.1memory_encoder_hidden_size: int = 256memory_encoder_output_channels: int = 64rope_parameters: dict | None = Nonemask_downsampler_embed_dim: int = 256mask_downsampler_kernel_size: int = 3mask_downsampler_stride: int = 2mask_downsampler_padding: int = 1mask_downsampler_total_stride: int = 16mask_downsampler_hidden_act: str = 'gelu'memory_fuser_num_layers: int = 2memory_fuser_embed_dim: int = 256memory_fuser_intermediate_dim: int = 1024memory_fuser_kernel_size: int = 7memory_fuser_padding: int = 3memory_fuser_layer_scale_init_value: float = 1e-06memory_fuser_hidden_act: str = 'gelu' )
매개변수
- vision_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 선택) — 비전 백본의 config 객체 또는 사전입니다. - prompt_encoder_config (Union[
dict,Sam3TrackerVideoPromptEncoderConfig], 선택) — Sam3TrackerVideoPromptEncoderConfig를 초기화하는 데 사용되는 설정 옵션의 사전. - mask_decoder_config (Union[
dict,Sam3TrackerVideoMaskDecoderConfig], 선택) — Sam3TrackerVideoMaskDecoderConfig를 초기화하는 데 사용되는 설정 옵션의 사전입니다. - initializer_range (
float, 선택 사항, 기본값 0.02) — 파라미터 초기화에 사용할 표준 편차입니다. - num_maskmem (
int, 선택 사항, 기본값 7) — 마스크 메모리에 사용할 메모리 슬롯의 수입니다. - sigmoid_scale_for_mem_enc (
float, 선택 사항, 기본값 20.0) — 메모리 인코더의 sigmoid 함수에 사용되는 스케일 팩터입니다. - sigmoid_bias_for_mem_enc (
float, 선택 사항, 기본값 -10.0) — 메모리 인코더의 sigmoid 함수에 사용되는 bias입니다. - enable_occlusion_spatial_embedding (
bool, 선택 사항, 기본값True) — occlusion에 대한 spatial embedding을 활성화할지 여부입니다. - multimask_output_in_sam (
bool, 선택 사항, 기본값True) — SAM 헤드에서 여러 마스크를 출력할지 여부입니다. - multimask_min_pt_num (
int, 선택 사항, 기본값 0) — 멀티마스크 출력을 트리거하기 위한 최소 점 수입니다. - multimask_max_pt_num (
int, 선택 사항, 기본값 1) — 멀티마스크 출력을 트리거할 최대 포인트 수입니다. - multimask_output_for_tracking (
bool, 선택 사항, 기본값True) — 추적을 위해 멀티마스크 출력을 사용할지 여부입니다. - max_object_pointers_in_encoder (
int, 선택 사항, 기본값 16) — 인코더에 사용할 수 있는 객체 포인터의 최대 개수입니다. - max_cond_frame_num (
int, 선택 사항, 기본값 4) — 메모리 attention에서 사용할 conditioning 프레임의 최대 개수. - enable_temporal_pos_encoding_for_object_pointers (
bool, 선택, 기본값True) — object pointer에 대해 시간적 위치 인코딩을 활성화할지 여부입니다. - memory_attention_hidden_size (
int, 선택 사항, 기본값 256) — 메모리 어텐션 히든 상태의 차원입니다. - memory_attention_num_layers (
int, 선택 사항, 기본값 4) — 메모리 어텐션 모듈의 레이어 수입니다. - memory_attention_num_attention_heads (
int, 선택 사항, 기본값 1) — 메모리 어텐션의 각 어텐션 레이어에 사용할 어텐션 헤드 수입니다. - memory_attention_downsample_rate (
int, 선택 사항, 기본값 1) — attention 레이어의 다운샘플링 비율입니다. - memory_attention_feed_forward_hidden_size (
int, 선택 사항, 기본값 2048) — memory attention 모듈의 feedforward network 차원입니다. - memory_attention_feed_forward_hidden_act (
str, 선택 사항, 기본값"relu") — 메모리 어텐션 모듈의 피드포워드 네트워크에서 사용되는 비선형 활성화 함수입니다. - memory_attention_dropout (
float, 선택 사항, 기본값 0.1) — 메모리 어텐션 모듈의 dropout 비율입니다. - memory_attention_rope_feat_sizes (
list[int], 선택 사항, 기본값[72, 72]) — Rope 위치 인코딩의 특징 크기입니다. - memory_attention_rope_dropout (
float, 선택 사항, 기본값 0.1) — Rope 위치 인코딩에 적용할 dropout 비율입니다. - memory_encoder_hidden_size (
int, 선택 사항, 기본값 256) — 메모리 인코더의 숨겨진 상태(hidden states) 차원. - memory_encoder_output_channels (
int, 선택 사항, 기본값 64) — 메모리 인코더의 출력 채널 수입니다. - rope_parameters (
dict, 선택) — RoPE 임베딩의 구성 매개변수를 포함하는 사전입니다. 사전에는rope_theta값이 포함되어야 하며, 더 긴max_position_embeddings로 RoPE를 사용하려는 경우 스케일링에 사용되는 매개변수를 선택적으로 포함할 수 있습니다. - mask_downsampler_embed_dim (
int, 선택 사항, 기본값 256) — 마스크 다운샘플러 임베딩의 차원입니다. - mask_downsampler_kernel_size (
int, 선택 사항, 기본값 3) — 마스크 다운샘플러의 커널 크기입니다. - mask_downsampler_stride (
int, 선택 사항, 기본값 2) — 마스크 다운샘플러의 스트라이드입니다. - mask_downsampler_padding (
int, 선택 사항, 기본값 1) — 마스크 다운샘플러의 패딩입니다. - mask_downsampler_total_stride (
int, 선택 사항, 기본값 16) — 마스크 다운샘플러의 총 스트라이드입니다. - mask_downsampler_hidden_act (
str, 선택 사항, 기본값"gelu") — mask downsampler에서 사용되는 비선형 활성화 함수입니다. - memory_fuser_num_layers (
int, 선택 사항, 기본값 2) — memory fuser의 레이어 수입니다. - memory_fuser_embed_dim (
int, 선택 사항, 기본값 256) — memory fuser의 임베딩 레이어 차원입니다. - memory_fuser_intermediate_dim (
int, 선택 사항, 기본값 1024) — memory fuser의 중간 레이어 차원입니다. - memory_fuser_kernel_size (
int, 선택 사항, 기본값 7) — memory fuser의 kernel size입니다. - memory_fuser_padding (
int, 선택 사항, 기본값 3) — memory fuser에 사용되는 padding입니다. - memory_fuser_layer_scale_init_value (
float, 선택 사항, 기본값 1e-06) — memory fuser의 layer scale 초기 값입니다. - memory_fuser_hidden_act (
str, 선택 사항, 기본값"gelu") — memory fuser에서 사용되는 비선형 활성화 함수입니다.
이것은 Sam3TrackerVideoModel의 설정을 저장하기 위한 설정 클래스입니다. 지정된 인자에 따라 Sam3 Tracker Video 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 설정을 초기화하면 facebook/sam3와 유사한 설정이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
예:
>>> from transformers import (
... Sam3VisionConfig,
... Sam3TrackerVideoPromptEncoderConfig,
... Sam3TrackerVideoMaskDecoderConfig,
... Sam3TrackerVideoModel,
... )
>>> # Initializing a Sam3TrackerVideoConfig with `"facebook/sam3"` style configuration
>>> configuration = Sam3TrackerVideoConfig()
>>> # Initializing a Sam3TrackerVideoModel (with random weights) from the `"facebook/sam3"` style configuration
>>> model = Sam3TrackerVideoModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a Sam3TrackerVideoConfig from a Sam3TrackerVideoVisionConfig, Sam3TrackerVideoPromptEncoderConfig, and Sam3TrackerVideoMaskDecoderConfig
>>> # Initializing SAM3 tracker video vision encoder, memory attention, and memory encoder configurations
>>> vision_config = Sam3TrackerVideoVisionConfig()
>>> prompt_encoder_config = Sam3TrackerVideoPromptEncoderConfig()
>>> mask_decoder_config = Sam3TrackerVideoMaskDecoderConfig()
>>> config = Sam3TrackerVideoConfig(vision_config, prompt_encoder_config, mask_decoder_config)Sam3TrackerVideoMaskDecoderConfig
클래스 transformers.Sam3TrackerVideoMaskDecoderConfig
< 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 = Nonehidden_size: int = 256hidden_act: str = 'gelu'mlp_dim: int = 2048num_hidden_layers: int = 2num_attention_heads: int = 8attention_downsample_rate: int = 2num_multimask_outputs: int = 3iou_head_depth: int = 3iou_head_hidden_dim: int = 256dynamic_multimask_via_stability: bool = Truedynamic_multimask_stability_delta: float = 0.05dynamic_multimask_stability_thresh: float = 0.98 )
매개변수
- hidden_size (
int, 선택 사항, 기본값256) — 숨겨진 표현의 차원입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - mlp_dim (
int, 선택 사항, 기본값 2048) — 양방향 transformer의 MLP 차원입니다. - num_hidden_layers (
int, 선택 사항, 기본값2) — Transformer decoder의 숨겨진 레이어 수. - num_attention_heads (
int, 선택 사항, 기본값8) — Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. - attention_downsample_rate (
int, 선택 사항, 기본값 2) — attention 레이어의 다운샘플링 비율입니다. - num_multimask_outputs (
int, 선택 사항, 기본값 3) — 멀티마스크 출력의 개수입니다. - iou_head_depth (
int, 선택 사항, 기본값 3) — IoU head의 깊이입니다. - iou_head_hidden_dim (
int, 선택 사항, 기본값 256) — IoU head의 hidden dimension입니다. - dynamic_multimask_via_stability (
bool, 선택 사항, 기본값True) — stability를 통한 dynamic multimask를 사용할지 여부입니다. - dynamic_multimask_stability_delta (
float, 선택 사항, 기본값 0.05) — 동적 멀티마스크의 안정성 델타입니다. - dynamic_multimask_stability_thresh (
float, 선택 사항, 기본값 0.98) — 동적 멀티마스크의 안정성 임계값입니다.
이것은 Sam3TrackerVideoModel의 설정을 저장하기 위한 설정 클래스입니다. 지정된 인자에 따라 Sam3 Tracker Video 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 설정을 초기화하면 facebook/sam3와 유사한 설정이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam3TrackerVideoPromptEncoderConfig
class transformers.Sam3TrackerVideoPromptEncoderConfig
< 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 = Nonehidden_size: int = 256image_size: int | list[int] | tuple[int, int] = 1008patch_size: int | list[int] | tuple[int, int] = 14mask_input_channels: int = 16num_point_embeddings: int = 4hidden_act: str = 'gelu'layer_norm_eps: float = 1e-06scale: int = 1 )
매개변수
- hidden_size (
int, 선택 사항, 기본값256) — 숨겨진 표현의 차원입니다. - image_size (
Union[int, list[int], tuple[int, int]], 선택, 기본값1008) — 각 이미지의 크기(해상도). - patch_size (
Union[int, list[int], tuple[int, int]], 선택 사항, 기본값14) — 각 패치의 크기(해상도)입니다. - mask_input_channels (
int, 선택 사항, 기본값 16) —MaskDecoder모듈에 전달될 채널 수입니다. - num_point_embeddings (
int, 선택 사항, 기본값 4) — 사용할 point embedding의 개수입니다. - hidden_act (
str, 선택 사항, 기본값gelu) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어,"gelu","relu","silu"등이 있습니다. - layer_norm_eps (
float, 선택 사항, 기본값1e-06) — 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. - scale (
float, 선택 사항, 기본값 1) — 프롬프트 인코더의 스케일 팩터입니다.
이것은 Sam3TrackerVideoModel의 설정을 저장하기 위한 설정 클래스입니다. 지정된 인자에 따라 Sam3 Tracker Video 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 설정을 초기화하면 facebook/sam3와 유사한 설정이 생성됩니다.
Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.
Sam3TrackerVideoProcessor
class transformers.Sam3TrackerVideoProcessor
< source >( image_processorvideo_processortarget_size: int | None = Nonepoint_pad_value: int = -10**kwargs )
매개변수
- image_processor (
Sam3ImageProcessor) — 이미지 프로세서는 필수 입력값입니다. - video_processor (
video_processor_class) — video processor는 필수 입력값입니다. - target_size (
int, 선택 사항) — 입력 점과 바운딩 박스를 정규화할 때 사용할 목표 크기(픽셀 단위)입니다. 지정하지 않으면 이미지 프로세서의 size 설정 값이 기본값으로 사용됩니다. 모델에 전달되기 전에 모든 입력 좌표(점과 박스)는 이 크기로 정규화됩니다. 이를 통해 원본 이미지의 차원과 관계없이 일관된 좌표 표현을 보장합니다. - point_pad_value (
int, 선택 사항, 기본값 -10) — 길이가 다른 시퀀스를 배치할 때 입력 포인트를 패딩하는 데 사용되는 값입니다. 이 값은 패딩된 위치를 표시하는 데 사용되며, 좌표 정규화 과정에서도 유지됩니다.
Sam3TrackerVideoProcessor를 생성하며, 이미지 프로세서와 비디오 프로세서를 단일 프로세서로 래핑합니다.
Sam3TrackerVideoProcessor는 Sam3ImageProcessor와 video_processor_class의 모든 기능을 제공합니다. 자세한 내용은 ~Sam3ImageProcessor와 ~video_processor_class를 참고하세요.
__call__
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonesegmentation_maps: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Noneinput_points: typing.Union[list[list[list[list[float]]]], torch.Tensor, NoneType] = Noneinput_labels: typing.Union[list[list[list[int]]], torch.Tensor, NoneType] = Noneinput_boxes: typing.Union[list[list[list[float]]], torch.Tensor, NoneType] = Noneoriginal_sizes: typing.Union[list[list[float]], torch.Tensor, NoneType] = Nonereturn_tensors: str | transformers.utils.generic.TensorType | None = None**kwargs ) → A BatchEncoding with the following fields
매개변수
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], 선택) — 전처리할 이미지입니다. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 사이인 이미지를 전달하는 경우do_rescale=False로 설정하세요. - segmentation_maps (
ImageInput, 선택 사항) — 처리할 분할 맵입니다. - input_points (
list[list[list[list[float]]]],torch.Tensor, 선택 사항) — 프레임에 추가할 점들입니다. - input_labels (
list[list[list[int]]],torch.Tensor, 선택 사항) — 점들의 라벨입니다. - input_boxes (
list[list[list[float]]],torch.Tensor, 선택 사항) — 프레임에 추가할 바운딩 박스입니다. - original_sizes (
list[list[float]],torch.Tensor, 선택 사항) — 이미지의 원래 크기입니다. - return_tensors (
Union[str, ~utils.generic.TensorType], 선택 사항) — 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다:'pt': PyTorchtorch.Tensor객체를 반환합니다.'np': NumPynp.ndarray객체를 반환합니다.
반환값
다음 필드를 가진 BatchEncoding
pixel_values(torch.Tensor): 처리된 이미지(들).original_sizes(list[list[float]]): 이미지의 원래 크기입니다.labels(torch.Tensor): 처리된 분할 맵(제공된 경우).input_points(torch.Tensor): 처리된 포인트.input_labels(torch.Tensor): 처리된 라벨입니다.input_boxes(torch.Tensor): 처리된 바운딩 박스입니다.
post_process_masks
< source >( masksoriginal_sizesmask_threshold = 0.0binarize = Truemax_hole_area = 0.0max_sprinkle_area = 0.0apply_non_overlapping_constraints = False**kwargs ) → (torch.Tensor)
매개변수
- masks (
Union[List[torch.Tensor], List[np.ndarray]]) — (batch_size, num_channels, height, width) 형식의 mask_decoder에서 가져온 배치된 마스크. - original_sizes (
Union[torch.Tensor, List[Tuple[int,int]]]) — 모델의 예상 입력 형식으로 리사이즈되기 전 각 이미지의 원래 크기입니다. (height, width) 형식으로 제공됩니다. - mask_threshold (
float, 선택 사항, 기본값 0.0) — 이진화 및 후처리 작업에 사용되는 임계값. - binarize (
bool, 선택, 기본값True) — 마스크를 바이너리화할지 여부입니다. - max_hole_area (
float, 선택, 기본값 0.0) — 채울 구멍의 최대 면적입니다. - max_sprinkle_area (
float, 선택 사항, 기본값 0.0) — 채울 sprinkle의 최대 면적입니다. - apply_non_overlapping_constraints (
bool, 선택 사항, 기본값False) — 마스크에 겹치지 않는(non-overlapping) 제약 조건을 적용할지 여부입니다.
반환값
(torch.Tensor)
batch_size, num_channels, height, width 형식의 배치된 마스크입니다. 여기서 (height, width)는 original_size로 지정됩니다.
패딩을 제거하고 마스크를 원래 이미지 크기로 업스케일링합니다.
init_video_session
< source >( video: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = Noneinference_device: typing.Union[str, ForwardRef('torch.device')] = 'cpu'inference_state_device: typing.Union[str, ForwardRef('torch.device'), NoneType] = Noneprocessing_device: typing.Union[str, ForwardRef('torch.device'), NoneType] = Nonevideo_storage_device: typing.Union[str, ForwardRef('torch.device'), NoneType] = Nonemax_vision_features_cache_size: int = 1dtype: dtype = torch.float32 )
매개변수
- video (
VideoInput, 선택 사항) — 처리할 비디오입니다. 스트리밍 중에는 제공할 필요가 없습니다. - inference_device (
str또는torch.device, 선택 사항, 기본값은 “cpu”) — 추론에 사용할 장치입니다. - inference_state_device (
str또는torch.device, 선택 사항) — 추론 상태를 저장할 장치입니다. - processing_device (
str또는torch.device, 선택 사항) — 비디오 처리에 사용할 장치입니다. - video_storage_device (
str또는torch.device, 선택 사항) — 처리된 비디오 프레임을 저장할 장치입니다. - max_vision_features_cache_size (
int, 선택 사항, 기본값 1) — 캐시할 최대 비전 특징 수입니다. - dtype (
torch.dtype, 선택 사항, 기본값torch.float32) — 세션 전체에 사용할 torch dtype입니다.
추론을 위한 비디오 세션을 초기화합니다.
비디오가 제공된 경우(비동기 추론), 비디오가 처리되어 video_storage_device에 저장됩니다.
add_inputs_to_inference_session
< source >( inference_session: Sam3TrackerVideoInferenceSessionframe_idx: intobj_ids: list[int] | intinput_points: typing.Union[list[list[list[list[float]]]], torch.Tensor, NoneType] = Noneinput_labels: typing.Union[list[list[list[int]]], torch.Tensor, NoneType] = Noneinput_boxes: typing.Union[list[list[list[float]]], torch.Tensor, NoneType] = Noneinput_masks: typing.Union[numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], NoneType] = Noneoriginal_size: tuple[int, int] | None = Noneclear_old_inputs: bool = True )
매개변수
- inference_session (
Sam3TrackerVideoInferenceSession) — 비디오용 추론 세션입니다. - frame_idx (
int) — 처리할 프레임의 인덱스입니다. - obj_ids (
list[int]또는int) — 점이나 박스와 연결할 객체 ID입니다. 이 값은 임의의 정수일 수 있으며, 나중에 특정 객체를 지정할 때 재사용할 수 있습니다. - input_points (
list[list[list[list[float]]]],torch.Tensor, 선택 사항) — 프레임에 추가할 점들입니다. - input_labels (
list[list[list[int]]],torch.Tensor, 선택 사항) — 점들의 라벨입니다. - input_boxes (
list[list[list[float]]],torch.Tensor, 선택 사항) — 프레임에 추가할 바운딩 박스입니다. - input_masks (
np.ndarray,torch.Tensor,list[np.ndarray]또는list[torch.Tensor], 선택 사항) — 프레임에 추가할 마스크입니다. - original_size (
tuple[int, int], 선택 사항) — 동영상의 원래 크기입니다. 스트리밍할 때 제공하세요. - clear_old_inputs (
bool, 선택 사항, 기본값True) — 해당 객체의 이전 입력을 지울지 여부입니다.
새로운 점, 상자 또는 마스크를 비디오 프레임에 대해 처리하고 추론 세션에 추가합니다.
Sam3TrackerVideoInferenceSession
class transformers.Sam3TrackerVideoInferenceSession
< source >( video: typing.Optional[torch.Tensor] = Nonevideo_height: int | None = Nonevideo_width: int | None = Noneinference_device: typing.Union[torch.device, str] = 'cpu'inference_state_device: typing.Union[torch.device, str] = 'cpu'video_storage_device: typing.Union[torch.device, str] = 'cpu'dtype: typing.Union[torch.dtype, str] = 'float32'max_vision_features_cache_size: int = 1 )
매개변수
- video (
torch.Tensor, 선택 사항) — 처리할 비디오입니다. 스트리밍하는 경우 제공할 필요가 없습니다. - video_height (
int, 선택 사항) — 비디오의 높이입니다. - video_width (
int, 선택 사항) — 영상의 너비입니다. - inference_device (
torch.device, 선택 사항, 기본값"cpu") — 추론에 사용할 장치입니다. - inference_state_device (
torch.device, 선택 사항, 기본값"cpu") — 추론 상태를 저장할 장치입니다. - video_storage_device (
torch.device, 선택 사항, 기본값"cpu") — 영상을 저장할 디바이스입니다. - dtype (
torch.dtype, 선택 사항, 기본값"float32") — 동영상에 사용할 dtype입니다. - max_vision_features_cache_size (
int, 선택 사항, 기본값 1) — 캐시할 최대 비전 특징 수입니다.
비디오 추론 세션의 매개변수, 상태 및 캐시를 관리합니다.
mask 입력을 자동 장치 배치와 함께 추가합니다.
device 자동 배치로 새 프레임을 추가합니다.
point 입력을 자동 장치 배치와 함께 추가합니다.
비디오에서 프레임을 가져옵니다.
이 세션에서 지금까지 수신된 고유한 객체 ID의 총 개수를 가져옵니다.
get_output
< source >( obj_idx: intframe_idx: intoutput_key: stris_conditioning_frame: bool = True )
스마트한 장치 관리를 통해 출력을 가져옵니다.
필요한 경우 새 항목을 생성하여 object ID를 인덱스에 매핑합니다.
모델 측 객체 인덱스를 클라이언트 측 객체 ID로 매핑합니다.
마스크 입력을 제거합니다.
점 입력을 제거합니다.
추적 데이터와 캐시를 초기화합니다.
트래킹 데이터는 초기화하되 캐시는 유지합니다.
store_output
< source >( obj_idx: intframe_idx: intoutput_key: str | None = Noneoutput_value: typing.Union[torch.Tensor, dict, NoneType] = Noneis_conditioning_frame: bool = True )
output_key가 None인 경우, 출력은 사전으로 저장됩니다.
Sam3TrackerVideoModel
class transformers.Sam3TrackerVideoModel
< source >( config: Sam3TrackerVideoConfigremove_vision_encoder: bool = False )
매개변수
- config (Sam3TrackerVideoConfig) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 연관된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 from_pretrained() 메서드를 확인하세요.
- remove_vision_encoder (
bool, 선택 사항, 기본값False) — 비전 인코더를 제거할지 여부입니다. True인 경우 비전 인코더가 None으로 설정됩니다.
특정 헤드가 위에 없는 Sam3 Tracker Video Model의 원시 hidden-states를 출력하는 기본 모델입니다.
이 모델은 PreTrainedModel에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대한 세부 사항은 상위 클래스 문서를 확인하세요.
이 모델은 또한 PyTorch torch.nn.Module의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법 및 동작과 관련된 모든 사항은 PyTorch 문서를 참조하세요.
forward
< source >( inference_session: Sam3TrackerVideoInferenceSessionframe_idx: int | None = Noneframe: typing.Optional[torch.Tensor] = Nonereverse: bool = Falserun_mem_encoder: bool = True**kwargs ) → Sam3TrackerVideoSegmentationOutput or tuple(torch.Tensor)
매개변수
- inference_session (
~models.sam3_tracker_video.modeling_sam3_tracker_video.Sam3TrackerVideoInferenceSession) — 비디오 추론 세션 객체입니다. - frame_idx (
int, 선택 사항) — 추론을 실행할 프레임의 인덱스입니다. 새로 스트리밍된 프레임에 대해 추론을 수행할 경우 제공하지 않아도 됩니다. - frame (
torch.Tensor, 선택 사항) — 처리할 프레임입니다. 스트리밍 시 제공하세요. - reverse (
bool, 선택 사항, 기본값False) — 역방향으로 전파할지 여부입니다. - run_mem_encoder (
bool, 선택 사항, 기본값True) — 예측된 마스크에 대해 메모리 인코더를 실행할지 여부입니다. 효율성을 위해 메모리 인코더는 모든 객체에 대해 배치 처리됩니다.
반환값
Sam3TrackerVideoSegmentationOutput 또는 tuple(torch.Tensor)
Sam3TrackerVideoSegmentationOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(Sam3TrackerVideoConfig)과 입력에 따라 다양한 요소를 포함합니다.
스트리밍된 비디오 프레임을 통해 객체를 전파합니다.
- object_ids (
list[int], 선택 사항) — 현재 프레임에서 추적 중인 객체 ID 목록. - pred_masks (
torch.Tensor, shape(batch_size, num_masks, height, width)) — 모델 해상도로 저장된 예측된 마스크입니다. - object_score_logits (
torch.Tensor, shape(batch_size,), 선택 사항) — 객체가 존재하는지 여부를 나타내는 객체 점수 logits입니다. - frame_idx (
int, 선택 사항) — 비디오의 프레임 인덱스입니다.
propagate_in_video_iterator
< source >( inference_session: Sam3TrackerVideoInferenceSessionstart_frame_idx: int | None = Nonemax_frame_num_to_track: int | None = Nonereverse: bool = Falseshow_progress_bar: bool = False ) → Sam3TrackerVideoSegmentationOutput or tuple(torch.Tensor)
매개변수
- inference_session (
~models.sam3_tracker_video.modeling_sam3_tracker_video.Sam3TrackerVideoInferenceSession) — 비디오 추론 세션 객체입니다. - start_frame_idx (
int, 선택 사항) — 전파를 위한 시작 프레임 인덱스입니다. 새로운 입력에 대해forward가 아직 호출되지 않은 경우 제공해야 합니다. 제공하지 않으면 입력 점이 있는 가장 초기 프레임이 시작 프레임 인덱스로 사용됩니다. - max_frame_num_to_track (
int, 선택 사항) — 추적할 최대 프레임 수입니다. - reverse (
bool, 선택 사항, 기본값False) — 역방향으로 전파할지 여부입니다. - show_progress_bar (
bool, 선택 사항, 기본값False) — 전파 과정에서 진행 표시줄을 표시할지 여부입니다.
반환값
Sam3TrackerVideoSegmentationOutput 또는 tuple(torch.Tensor)
Sam3TrackerVideoSegmentationOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(Sam3TrackerVideoConfig)과 입력에 따라 다양한 요소를 포함합니다.
…를 비디오 프레임에 걸쳐 전파합니다. 전체 비디오로 추론 세션을 초기화할 때 사용됩니다. 각 프레임에 대해 Sam3TrackerVideoSegmentationOutput을 반환합니다.
- object_ids (
list[int], 선택 사항) — 현재 프레임에서 추적 중인 객체 ID 목록. - pred_masks (
torch.Tensor, shape(batch_size, num_masks, height, width)) — 모델 해상도로 저장된 예측된 마스크입니다. - object_score_logits (
torch.Tensor, shape(batch_size,), 선택 사항) — 객체가 존재하는지 여부를 나타내는 객체 점수 logits입니다. - frame_idx (
int, 선택 사항) — 비디오의 프레임 인덱스입니다.
get_image_features
< source >( pixel_values: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → Sam3TrackerVideoVisionEncoderOutput or tuple(torch.Tensor)
매개변수
반환값
Sam3TrackerVideoVisionEncoderOutput 또는 tuple(torch.Tensor)
Sam3TrackerVideoVisionEncoderOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되거나 config.return_dict=False인 경우)로, 구성(Sam3TrackerVideoConfig)과 입력에 따라 다양한 요소를 포함합니다.
last_hidden_state (
torch.Tensor, shape(batch_size, height, width, hidden_size)) — 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.pooler_output (
torch.Tensor, shape(batch_size, hidden_size)) — 보조 사전 학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 후의 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전 학습 동안 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.hidden_states (
tuple(torch.Tensor), 선택 사항,output_hidden_states=True가 전달되거나config.output_hidden_states=True인 경우 반환됨) —torch.Tensor의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 모양은(batch_size, sequence_length, hidden_size)입니다.각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
attentions (
tuple(torch.Tensor), 선택 사항,output_attentions=True가 전달되었거나config.output_attentions=True인 경우 반환됨) — 각 레이어마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, num_heads, sequence_length, sequence_length)입니다.self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치.
fpn_hidden_states (
tuple(torch.Tensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)마다 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다. Feature Pyramid Network neck에서 생성된 특징 맵입니다.fpn_position_encoding (
tuple(torch.Tensor)) — 각 특징 레벨(고해상도에서 저해상도 순서)에 하나씩 포함된torch.Tensor의 튜플로, 모양은(batch_size, hidden_size, height, width)입니다.fpn_hidden_states에 해당하는 위치 인코딩입니다.