# OneFormer

## Tổng quan

Mô hình OneFormer được đề xuất trong [OneFormer: One Transformer to Rule Universal Image Segmentation](https://huggingface.co/papers/2211.06220) bởi Jitesh Jain, Jiachen Li, MangTik Chiu, Ali Hassani, Nikita Orlov, Humphrey Shi. OneFormer là một khung phân đoạn ảnh phổ quát có thể được huấn luyện trên một tập dữ liệu panoptic duy nhất để thực hiện các tác vụ phân đoạn ngữ nghĩa, phân đoạn instance và phân đoạn panoptic. OneFormer sử dụng một task token để điều kiện hóa mô hình theo tác vụ đang tập trung, khiến kiến trúc được dẫn dắt bởi tác vụ trong quá trình huấn luyện và động theo tác vụ trong suy luận.

Tóm tắt từ bài báo như sau:

*Universal Image Segmentation không phải là một khái niệm mới. Các nỗ lực trước đây nhằm thống nhất phân đoạn ảnh trong vài thập kỷ qua bao gồm scene parsing, panoptic segmentation và, gần đây hơn, các kiến trúc panoptic mới. Tuy nhiên, các kiến trúc panoptic như vậy không thực sự thống nhất phân đoạn ảnh vì chúng cần được huấn luyện riêng biệt trên semantic, instance hoặc panoptic segmentation để đạt hiệu suất tốt nhất. Về mặt lý tưởng, một framework thực sự phổ quát nên chỉ cần được huấn luyện một lần và đạt hiệu suất SOTA trên cả ba tác vụ phân đoạn ảnh. Hướng tới mục tiêu đó, chúng tôi đề xuất OneFormer, một framework phân đoạn ảnh phổ quát thống nhất phân đoạn với thiết kế train-once đa tác vụ. Trước tiên, chúng tôi đề xuất một chiến lược huấn luyện liên hợp có điều kiện theo tác vụ, cho phép huấn luyện trên ground truths của từng miền (semantic, instance và panoptic segmentation) trong một quy trình huấn luyện đa tác vụ duy nhất. Thứ hai, chúng tôi giới thiệu một task token để điều kiện hóa mô hình của chúng tôi theo tác vụ đang thực hiện, giúp mô hình trở nên task-dynamic để hỗ trợ huấn luyện và suy luận đa tác vụ. Thứ ba, chúng tôi đề xuất sử dụng query-text contrastive loss trong quá trình huấn luyện để thiết lập sự phân biệt tốt hơn giữa các tác vụ và giữa các lớp. Đáng chú ý, mô hình OneFormer duy nhất của chúng tôi vượt trội hơn các mô hình Mask2Former chuyên dụng trên cả ba tác vụ phân đoạn ở ADE20k, CityScapes và COCO, mặc dù các mô hình sau được huấn luyện riêng trên từng tác vụ trong ba với ba lần tài nguyên. Với các backbone ConvNeXt và DiNAT mới, chúng tôi quan sát thấy hiệu suất cải thiện hơn nữa. Chúng tôi tin rằng OneFormer là một bước tiến quan trọng hướng tới việc làm cho phân đoạn ảnh trở nên phổ quát và dễ tiếp cận hơn.*

Hình dưới đây minh họa kiến trúc của OneFormer. Trích từ [bài báo gốc](https://huggingface.co/papers/2211.06220).

Mô hình này được đóng góp bởi [Jitesh Jain](https://huggingface.co/praeclarumjj3). Mã gốc có thể được tìm thấy [tại đây](https://github.com/SHI-Labs/OneFormer).

## Mẹo sử dụng

- OneFormer yêu cầu hai đầu vào trong quá trình suy luận: *image* và *task token*.
- Trong quá trình huấn luyện, OneFormer chỉ sử dụng chú thích panoptic.
- 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 `OneFormerLoss` của `modeling_oneformer.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/SHI-Labs/OneFormer/blob/33ebb56ed34f970a30ae103e786c0cb64c653d9a/oneformer/modeling/criterion.py#L287).
- Bạn có thể sử dụng [OneFormerProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor) để chuẩn bị ảnh đầu vào và đầu vào tác vụ cho mô hình, cùng với các mục tiêu tùy chọn cho mô hình. [OneFormerProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor) đóng gói [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor) và [CLIPTokenizer](/docs/transformers/v5.23.0/vi/model_doc/clip#transformers.CLIPTokenizer) vào một instance duy nhất để vừa chuẩn bị ảnh vừa mã hóa đầu vào tác vụ.
- Để lấy kết quả phân đoạn cuối cùng, tùy thuộc vào tác vụ, bạn có thể gọi `post_process_semantic_segmentation()` hoặc [post_process_instance_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor.post_process_instance_segmentation) hoặc [post_process_panoptic_segmentation()](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor.post_process_panoptic_segmentation). Cả ba tác vụ đều có thể được giải quyết bằng đầu ra của [OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation), 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

Danh sách các tài nguyên chính thức của Hugging Face và cộng đồng (được đánh dấu bằng 🌎) để giúp bạn bắt đầu với OneFormer.

- Các notebook demo về suy luận + tinh chỉnh trên dữ liệu tùy chỉnh có thể được tìm thấy [tại đây](https://github.com/NielsRogge/Transformers-Tutorials/tree/master/OneFormer).

Nếu bạn quan tâm đến việc gửi một tài nguyên để được đưa vào đây, hãy thoải mái mở một Pull Request và chúng tôi sẽ xem xét. Tài nguyên lý tưởng nên minh họa một điều gì đó mới thay vì sao chép một tài nguyên hiện có.

## Đầu ra cụ thể của OneFormer[[transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput]]

#### transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput[[transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput]]

```python
transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput(encoder_hidden_states: tuple[torch.Tensor] | None = None, pixel_decoder_hidden_states: tuple[torch.Tensor] | None = None, transformer_decoder_hidden_states: typing.Optional[torch.Tensor] = None, transformer_decoder_object_queries: typing.Optional[torch.Tensor] = None, transformer_decoder_contrastive_queries: typing.Optional[torch.Tensor] = None, transformer_decoder_mask_predictions: typing.Optional[torch.Tensor] = None, transformer_decoder_class_predictions: typing.Optional[torch.Tensor] = None, transformer_decoder_auxiliary_predictions: tuple[dict[str, torch.Tensor]] | None = None, text_queries: typing.Optional[torch.Tensor] = None, task_token: typing.Optional[torch.Tensor] = None, attentions: tuple[torch.Tensor] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/modeling_oneformer.py#L829)

**Tham số:**

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.

transformer_decoder_object_queries (`torch.Tensor` có shape `(batch_size, num_queries, hidden_dim)`) : Các object queries đầu ra từ lớp cuối cùng trong transformer decoder.

transformer_decoder_contrastive_queries (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_dim)`) : Các truy vấn tương phản từ bộ giải mã transformer.

transformer_decoder_mask_predictions (`torch.Tensor` có shape `(batch_size, num_queries, height, width)`) : Dự đoán Mask từ lớp cuối cùng trong bộ giải mã transformer.

transformer_decoder_class_predictions (`torch.Tensor` có shape `(batch_size, num_queries, num_classes+1)`) : Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.

transformer_decoder_auxiliary_predictions (`Tuple` của Dict `str, torch.Tensor`, *tùy chọn*) : Tuple chứa dự đoán lớp và mask từ mỗi lớp của bộ giải mã transformer.

text_queries (`torch.Tensor`, *tùy chọn* có hình dạng `(batch_size, num_queries, hidden_dim)`) : Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.

task_token (`torch.Tensor` có shape `(batch_size, hidden_dim)`) : token tác vụ 1D để điều kiện hóa các truy vấn.

attentions (`tuple(tuple(torch.Tensor))`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) : Tuple của `tuple(torch.Tensor)` (một tuple cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số Self và Cross Attentions từ transformer decoder.

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

#### transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput[[transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput]]

```python
transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput(loss: typing.Optional[torch.Tensor] = None, class_queries_logits: typing.Optional[torch.Tensor] = None, masks_queries_logits: typing.Optional[torch.Tensor] = None, auxiliary_predictions: list[dict[str, torch.Tensor]] = None, encoder_hidden_states: tuple[torch.Tensor] | None = None, pixel_decoder_hidden_states: list[torch.Tensor] | None = None, transformer_decoder_hidden_states: typing.Optional[torch.Tensor] = None, transformer_decoder_object_queries: typing.Optional[torch.Tensor] = None, transformer_decoder_contrastive_queries: typing.Optional[torch.Tensor] = None, transformer_decoder_mask_predictions: typing.Optional[torch.Tensor] = None, transformer_decoder_class_predictions: typing.Optional[torch.Tensor] = None, transformer_decoder_auxiliary_predictions: list[dict[str, torch.Tensor]] | None = None, text_queries: typing.Optional[torch.Tensor] = None, task_token: typing.Optional[torch.Tensor] = None, attentions: tuple[tuple[torch.Tensor]] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/modeling_oneformer.py#L886)

**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_predictions (`List` của Dict `str, torch.Tensor`, *tuỳ chọn*) : Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của 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.

transformer_decoder_object_queries (`torch.Tensor` có shape `(batch_size, num_queries, hidden_dim)`) : Các object queries đầu ra từ lớp cuối cùng trong transformer decoder.

transformer_decoder_contrastive_queries (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_dim)`) : Các truy vấn tương phản từ bộ giải mã transformer.

transformer_decoder_mask_predictions (`torch.Tensor` có shape `(batch_size, num_queries, height, width)`) : Dự đoán Mask từ lớp cuối cùng trong bộ giải mã transformer.

transformer_decoder_class_predictions (`torch.Tensor` có shape `(batch_size, num_queries, num_classes+1)`) : Dự đoán lớp từ lớp cuối cùng trong bộ giải mã transformer.

transformer_decoder_auxiliary_predictions (`List` của Dict `str, torch.Tensor`, *tuỳ chọn*) : Danh sách các dự đoán lớp và mặt nạ từ mỗi lớp của bộ giải mã transformer.

text_queries (`torch.Tensor`, *tùy chọn* có hình dạng `(batch_size, num_queries, hidden_dim)`) : Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.

task_token (`torch.Tensor` có shape `(batch_size, hidden_dim)`) : token tác vụ 1D để điều kiện hóa các truy vấn.

attentions (`tuple(tuple(torch.Tensor))`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) : Tuple của `tuple(torch.Tensor)` (một tuple cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số Self và Cross Attentions từ transformer decoder.

Lớp cho các đầu ra của `OneFormerForUniversalSegmentationOutput`.

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

## OneFormerConfig[[transformers.OneFormerConfig]]

#### transformers.OneFormerConfig[[transformers.OneFormerConfig]]

```python
transformers.OneFormerConfig(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, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, ignore_value: int = 255, num_queries: int = 150, no_object_weight: float = 0.1, class_weight: float = 2.0, mask_weight: float = 5.0, dice_weight: float = 5.0, contrastive_weight: float = 0.5, contrastive_temperature: float = 0.07, train_num_points: int = 12544, oversample_ratio: float = 3.0, importance_sample_ratio: float = 0.75, init_std: float = 0.02, init_xavier_std: float = 1.0, layer_norm_eps: float = 1e-05, is_training: bool = False, use_auxiliary_loss: bool = True, output_auxiliary_logits: bool = True, strides: list[int] | tuple[int, ...] = (4, 8, 16, 32), task_seq_len: int = 77, text_encoder_width: int = 256, text_encoder_context_length: int = 77, text_encoder_num_layers: int = 6, text_encoder_vocab_size: int = 49408, text_encoder_proj_layers: int = 2, text_encoder_n_ctx: int = 16, conv_dim: int = 256, mask_dim: int = 256, hidden_dim: int = 256, encoder_feedforward_dim: int = 1024, norm: str = 'GN', encoder_layers: int = 6, decoder_layers: int = 10, use_task_norm: bool = True, num_attention_heads: int = 8, dropout: float | int = 0.1, dim_feedforward: int = 2048, pre_norm: bool = False, enforce_input_proj: bool = False, query_dec_layers: int = 2, common_stride: int = 4)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/configuration_oneformer.py#L25)

**Tham số:**

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

ignore_value (`int`, *tuỳ chọn*, mặc định là 255) : Các giá trị cần được bỏ qua trong nhãn GT khi tính toán loss.

num_queries (`int`, *tuỳ chọn*, mặc định là 150) : Số lượng truy vấn đối tượng.

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.

class_weight (`float`, *tuỳ chọn*, mặc định là `2.0`) : Trọng số tương đối của lỗi phân loại trong chi phí khớp Hungarian.

mask_weight (`float`, *tuỳ chọn*, mặc định là `5.0`) : Trọng số tương đối của focal loss trong tổn thất phân đoạn panoptic.

dice_weight (`float`, *tuỳ chọn*, mặc định là `5.0`) : Trọng số tương đối của dice loss trong panoptic segmentation loss.

contrastive_weight (`float`, *tùy chọn*, mặc định là 0.5) : Trọng số cho tổn thất tương phản.

contrastive_temperature (`float`, *tuỳ chọn*, mặc định là 0.07) : Giá trị ban đầu để chuẩn hóa các logits tương phản.

train_num_points (`int`, *optional*, mặc định là 12544) : Số điểm lấy mẫu khi tính toán tổn thất trên các dự đoán mặt nạ.

oversample_ratio (`float`, *tuỳ chọn*, mặc định là 3.0) : Tỷ lệ để quyết định số điểm cần lấy mẫu dư.

importance_sample_ratio (`float`, *optional*, mặc định là 0.75) : Tỷ lệ các điểm được lấy mẫu thông qua importance sampling.

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.

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

is_training (`bool`, *tùy chọn*, mặc định là `False`) : Xác định việc chạy ở chế độ huấn luyện hay suy luận.

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

output_auxiliary_logits (`bool`, *tùy chọn*, mặc định là `True`) : Có trả về các dự đoán trung gian từ bộ giải mã transformer hay không.

strides (`list`, *tùy chọn*, mặc định là `[4, 8, 16, 32]`) : Danh sách chứa các bước nhảy (strides) cho các bản đồ đặc trưng trong bộ mã hóa.

task_seq_len (`int`, *tuỳ chọn*, mặc định là 77) : Độ dài chuỗi cho việc phân tách token của đầu vào danh sách văn bản.

text_encoder_width (`int`, *tuỳ chọn*, mặc định là 256) : Kích thước ẩn cho bộ mã hóa văn bản.

text_encoder_context_length (`int`, *tuỳ chọn*, mặc định là 77) : Độ dài chuỗi đầu vào cho trình mã hóa văn bản.

text_encoder_num_layers (`int`, *tuỳ chọn*, mặc định là 6) : Số lượng lớp của transformer trong text encoder.

text_encoder_vocab_size (`int`, *tuỳ chọn*, mặc định là 49408) : Kích thước từ vựng cho tokenizer.

text_encoder_proj_layers (`int`, *tuỳ chọn*, mặc định là 2) : Số lượng lớp trong MLP để dự đoán truy vấn văn bản.

text_encoder_n_ctx (`int`, *tuỳ chọn*, mặc định là 16) : Số lượng truy vấn ngữ cảnh văn bản có thể học được.

conv_dim (`int`, *tuỳ chọn*, mặc định là 256) : Kích thước chiều của bản đồ đặc trưng để ánh xạ các đầu ra từ backbone.

mask_dim (`int`, *optional*, mặc định là 256) : Kích thước cho các bản đồ đặc trưng trong bộ giải mã pixel.

hidden_dim (`int`, *tuỳ chọn*, mặc định là 256) : Kích thước cho các trạng thái ẩn trong bộ giải mã transformer.

encoder_feedforward_dim (`int`, *optional*, mặc định là 1024) : Kích thước cho lớp FFN trong pixel decoder.

norm (`str`, *tùy chọn*, mặc định là `"GN"`) : Kiểu chuẩn hóa.

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.

decoder_layers (`int`, *tuỳ chọn*, mặc định là `10`) : Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với `num_layers`.

use_task_norm (`bool`, *tùy chọn*, mặc định là `True`) : Có chuẩn hóa token tác vụ hay không.

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

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

dim_feedforward (`int`, *tuỳ chọn*, mặc định là 2048) : Kích thước cho lớp FFN trong bộ giải mã transformer.

pre_norm (`bool`, *tùy chọn*, mặc định là `False`) : Có nên chuẩn hóa các trạng thái ẩn trước các lớp chú ý trong bộ giải mã transformer hay không.

enforce_input_proj (`bool`, *tùy chọn*, mặc định là `False`) : Có dự ánh các trạng thái ẩn trong bộ giải mã transformer hay không.

query_dec_layers (`int`, *tuỳ chọn*, mặc định là 2) : Số lượng lớp trong query transformer.

common_stride (`int`, *tuỳ chọn*, mặc định là 4) : Bước (stride) chung được sử dụng cho các đặc trưng trong bộ giải mã pixel.

Đây là lớp cấu hình để lưu trữ cấu hình của OneFormerModel. Nó được sử dụng để khởi tạo một mô hình Oneformer 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 [shi-labs/oneformer_ade20k_swin_tiny](https://huggingface.co/shi-labs/oneformer_ade20k_swin_tiny)

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 OneFormerConfig, OneFormerModel

>>> # Initializing a OneFormer shi-labs/oneformer_ade20k_swin_tiny configuration
>>> configuration = OneFormerConfig()
>>> # Initializing a model (with random weights) from the shi-labs/oneformer_ade20k_swin_tiny style configuration
>>> model = OneFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
```

## OneFormerImageProcessor[[transformers.OneFormerImageProcessor]]

#### transformers.OneFormerImageProcessor[[transformers.OneFormerImageProcessor]]

```python
transformers.OneFormerImageProcessor(**kwargs: *<class 'transformers.models.oneformer.image_processing_oneformer.OneFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_oneformer.py#L275)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : 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 (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` 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. Chỉ được áp dụng khi `do_pad=True.`

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.

repo_path (`str`, *kwargs*, *tuỳ chọn*, mặc định là `shi-labs/oneformer_demo`) : Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.

class_info_file (`str`, *kwargs*, *tuỳ chọn*) : Đường dẫn đến tệp JSON trong kho chứa chứa metadata của lớp.

num_text (`int`, *kwargs*, *tuỳ chọn*) : Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.

num_labels (`int`, *kwargs*, *tuỳ chọn*) : Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm.

do_reduce_labels (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang `ignore_index` hay không.

Tạo bộ xử lý ảnh OneFormerImageProcessor.

#### preprocess[[transformers.OneFormerImageProcessor.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']], task_inputs: list[str] | None = None, 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.oneformer.image_processing_oneformer.OneFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_oneformer.py#L300)

**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`.

task_inputs (`list[str]`, *tùy chọn*) : Danh sách các tác vụ (`"panoptic"`, `"instance"`, `"semantic"`) cho từng hình ảnh trong lô.

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 (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` 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. Chỉ được áp dụng khi `do_pad=True.`

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.

repo_path (`str`, *kwargs*, *tuỳ chọn*, mặc định là `shi-labs/oneformer_demo`) : Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.

class_info_file (`str`, *kwargs*, *tuỳ chọn*) : Đường dẫn đến tệp JSON trong kho chứa chứa metadata của lớp.

num_text (`int`, *kwargs*, *tuỳ chọn*) : Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.

num_labels (`int`, *kwargs*, *tuỳ chọn*) : Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm.

do_reduce_labels (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang `ignore_index` hay không.

**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.OneFormerImageProcessor.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/oneformer/image_processing_oneformer.py#L690)

**Tham số:**

outputs ([OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation)) : 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 [OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

#### post_process_instance_segmentation[[transformers.OneFormerImageProcessor.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, task_type: str = 'instance', is_demo: bool = True, 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)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_oneformer.py#L766)

**Tham số:**

outputs (`OneFormerForUniversalSegmentationOutput`) : Các kết quả từ `OneFormerForUniversalSegmentationOutput`.

task_type (`str`, *tuỳ chọn*, mặc định là "instance") : Việc xử lý hậu kỳ phụ thuộc vào token đầu vào của tác vụ. Nếu `task_type` là "panoptic", chúng ta cần bỏ qua các dự đoán về "stuff".

is_demo (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có đang ở chế độ demo hay không. Nếu đúng, sử dụng ngưỡng để dự đoán các mặt nạ cuối cùng.

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 trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_coco_annotation (`bool`, *tùy chọn*, mặc định là `False`) : Có trả về các dự đoán ở định dạng COCO hay không.

**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 `OneFormerForUniversalSegmentationOutput` thành các dự đoán phân đoạn instance của hình ảnh. Chỉ hỗ trợ PyTorch.

#### post_process_panoptic_segmentation[[transformers.OneFormerImageProcessor.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/oneformer/image_processing_oneformer.py#L886)

**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.

## OneFormerImageProcessorPil[[transformers.OneFormerImageProcessorPil]]

#### transformers.OneFormerImageProcessorPil[[transformers.OneFormerImageProcessorPil]]

```python
transformers.OneFormerImageProcessorPil(**kwargs: *<class 'transformers.models.oneformer.image_processing_pil_oneformer.OneFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_pil_oneformer.py#L293)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : 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 (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` 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. Chỉ được áp dụng khi `do_pad=True.`

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.

repo_path (`str`, *kwargs*, *tuỳ chọn*, mặc định là `shi-labs/oneformer_demo`) : Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.

class_info_file (`str`, *kwargs*, *tuỳ chọn*) : Đường dẫn đến tệp JSON trong kho chứa chứa metadata của lớp.

num_text (`int`, *kwargs*, *tuỳ chọn*) : Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.

num_labels (`int`, *kwargs*, *tuỳ chọn*) : Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm.

do_reduce_labels (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang `ignore_index` hay không.

Tạo bộ xử lý ảnh OneFormerImageProcessor.

#### preprocess[[transformers.OneFormerImageProcessorPil.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']], task_inputs: list[str] | None = None, 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.oneformer.image_processing_pil_oneformer.OneFormerImageProcessorKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_pil_oneformer.py#L318)

**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`.

task_inputs (`list[str]`, *tùy chọn*) : Danh sách các tác vụ (`"panoptic"`, `"instance"`, `"semantic"`) cho từng hình ảnh trong lô.

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 (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` 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. Chỉ được áp dụng khi `do_pad=True.`

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.

repo_path (`str`, *kwargs*, *tuỳ chọn*, mặc định là `shi-labs/oneformer_demo`) : Đường dẫn đến thư mục cục bộ hoặc kho HuggingFace Hub chứa metadata của model.

class_info_file (`str`, *kwargs*, *tuỳ chọn*) : Đường dẫn đến tệp JSON trong kho chứa chứa metadata của lớp.

num_text (`int`, *kwargs*, *tuỳ chọn*) : Số lượng truy vấn văn bản cho bộ mã hóa văn bản, được sử dụng như các lời nhắc dẫn hướng nhiệm vụ.

num_labels (`int`, *kwargs*, *tuỳ chọn*) : Số lượng lớp ngữ nghĩa cho phân đoạn, xác định kích thước của lớp đầu ra.

ignore_index (`int`, *kwargs*, *optional*) : Nhãn cần bỏ qua trong các bản đồ phân đoạn, thường được dùng cho phần đệm.

do_reduce_labels (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `False`) : Có nên giảm tất cả các giá trị nhãn đi 1, ánh xạ lớp nền sang `ignore_index` hay không.

**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.OneFormerImageProcessorPil.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/oneformer/image_processing_pil_oneformer.py#L746)

**Tham số:**

outputs ([OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation)) : 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 [OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation) thành các bản đồ phân đoạn ngữ nghĩa. Chỉ hỗ trợ PyTorch.

#### post_process_instance_segmentation[[transformers.OneFormerImageProcessorPil.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, task_type: str = 'instance', is_demo: bool = True, 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)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/image_processing_pil_oneformer.py#L820)

**Tham số:**

outputs (`OneFormerForUniversalSegmentationOutput`) : Các kết quả từ `OneFormerForUniversalSegmentationOutput`.

task_type (`str`, *tuỳ chọn*, mặc định là "instance") : Việc xử lý hậu kỳ phụ thuộc vào token đầu vào của tác vụ. Nếu `task_type` là "panoptic", chúng ta cần bỏ qua các dự đoán về "stuff".

is_demo (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có đang ở chế độ demo hay không. Nếu đúng, sử dụng ngưỡng để dự đoán các mặt nạ cuối cùng.

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 trong batch. Nếu để là None, các dự đoán sẽ không được thay đổi kích thước.

return_coco_annotation (`bool`, *tùy chọn*, mặc định là `False`) : Có trả về các dự đoán ở định dạng COCO hay không.

**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 `OneFormerForUniversalSegmentationOutput` thành các dự đoán phân đoạn instance của hình ảnh. Chỉ hỗ trợ PyTorch.

#### post_process_panoptic_segmentation[[transformers.OneFormerImageProcessorPil.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/oneformer/image_processing_pil_oneformer.py#L940)

**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.

## OneFormerProcessor[[transformers.OneFormerProcessor]]

#### transformers.OneFormerProcessor[[transformers.OneFormerProcessor]]

```python
transformers.OneFormerProcessor(image_processor = None, tokenizer = None, max_seq_length: int = 77, task_seq_length: int = 77, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/processing_oneformer.py#L27)

**Tham số:**

image_processor (`OneFormerImageProcessor`) : Bộ xử lý ảnh là một đầu vào bắt buộc.

tokenizer (`CLIPTokenizer`) : Tokenizer là một đầu vào bắt buộc.

max_seq_length (`int`, *tuỳ chọn*, mặc định là `77`) : Độ dài tối đa của chuỗi để mã hóa tên lớp và đầu vào văn bản. Tham số này kiểm soát số lượng token tối đa được sử dụng khi tách token cho tên lớp và các đầu vào văn bản khác của mô hình.

task_seq_length (`int`, *optional*, mặc định là `77`) : Độ dài tối đa của chuỗi, cụ thể dành cho việc mã hóa mô tả tác vụ. Các mô tả tác vụ (ví dụ: "the task is semantic") được tách token với giới hạn độ dài này, có thể khác với độ dài chuỗi văn bản chung.

Tạo một OneFormerProcessor đóng gói một bộ xử lý ảnh và một tokenizer thành một bộ xử lý duy nhất.

[OneFormerProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor) cung cấp đầy đủ các chức năng của [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor) và [CLIPTokenizer](/docs/transformers/v5.23.0/vi/model_doc/clip#transformers.CLIPTokenizer). Xem [~OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor) và [~CLIPTokenizer](/docs/transformers/v5.23.0/vi/model_doc/clip#transformers.CLIPTokenizer) để biết thêm thông tin.

#### __call__[[transformers.OneFormerProcessor.__call__]]

```python
__call__(images = None, task_inputs = None, segmentation_maps = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/processing_oneformer.py#L61)

**Tham số:**

images (``) : Image to preprocess. Expects a single or batch of images with pixel values ranging from 0 to 255. If passing in images with pixel values between 0 and 1, set `do_rescale=False`.

task_inputs (`str` hoặc `list[str]`, *bắt buộc*) : Kiểu tác vụ cho phân đoạn. Phải là một hoặc nhiều hơn trong số `"semantic"`, `"instance"` hoặc `"panoptic"`. Có thể là một chuỗi duy nhất cho một hình ảnh, hoặc một danh sách các chuỗi (một cho mỗi hình ảnh) để xử lý theo lô. Kiểu tác vụ xác định loại phân đoạn mà mô hình sẽ thực hiện trên các hình ảnh đầu vào.

segmentation_maps (`ImageInput`, *tùy chọn*) : Các bản đồ phân đoạn ngữ nghĩa tương ứng với chú thích theo từng pixel.  (`bool`, *tùy chọn*, mặc định là `True`): Có nên đệm các hình ảnh lên kích thước của hình ảnh lớn nhất trong một batch và tạo một mặt nạ pixel hay không.  Nếu giữ nguyên giá trị mặc định, sẽ trả về một mặt nạ pixel mà:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).

return_tensors (`str` hoặc [TensorType](/docs/transformers/v5.23.0/vi/internal/file_utils#transformers.TensorType), *optional*) : Nếu được đặt, sẽ trả về các tensor của một framework cụ thể. Các giá trị chấp nhận được là:  - `'pt'`: Trả về các đối tượng `torch.Tensor` của PyTorch. - `'np'`: Trả về các đối tượng `np.ndarray` của NumPy.

**Trả về:** [BatchFeature](/docs/transformers/v5.23.0/vi/main_classes/feature_extractor#transformers.BatchFeature)

Một [BatchFeature](/docs/transformers/v5.23.0/vi/main_classes/feature_extractor#transformers.BatchFeature) với các trường sau:
- **task_inputs** -- Danh sách các token id sẽ được đưa vào mô hình. Được trả về khi `text` không phải `None`.
- **pixel_values** -- Giá trị pixel để đưa vào mô hình. Được trả về khi `images` không phải `None`.

## OneFormerModel[[transformers.OneFormerModel]]

#### transformers.OneFormerModel[[transformers.OneFormerModel]]

```python
transformers.OneFormerModel(config: OneFormerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/modeling_oneformer.py#L2855)

**Tham số:**

config ([OneFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerConfig)) : 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.

Mô hình Oneformer cơ bản, xuất ra các hidden-states thô mà không có bất kỳ head cụ thể nào ở phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/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.OneFormerModel.forward]]

```python
forward(pixel_values: Tensor, task_inputs: Tensor, text_inputs: typing.Optional[torch.Tensor] = None, 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/oneformer/modeling_oneformer.py#L2872)

**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 [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor). Xem [OneFormerImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết ([OneFormerProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor) sử dụng [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor) để xử lý ảnh).

task_inputs (`torch.Tensor` có shape `(batch_size, sequence_length)`) : Đầu vào của tác vụ. Đầu vào của tác vụ có thể được lấy bằng [AutoImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoImageProcessor). Xem [OneFormerProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor.__call__) để biết chi tiết.

text_inputs (`list[torch.Tensor]`, *tùy chọn*) : Tensor có hình dạng `(num_queries, sequence_length)` để đưa vào mô hình

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:** [OneFormerModelOutput](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput) hoặc `tuple(torch.Tensor)`

Một [OneFormerModelOutput](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.models.oneformer.modeling_oneformer.OneFormerModelOutput) 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 ([OneFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerConfig)) và đầu vào.

Phương thức forward của [OneFormerModel](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerModel) 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_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.
- **transformer_decoder_object_queries** (`torch.Tensor` có shape `(batch_size, num_queries, hidden_dim)`) -- Object queries đầu ra từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_contrastive_queries** (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_dim)`) -- Các truy vấn tương phản từ bộ giải mã transformer.
- **transformer_decoder_mask_predictions** (`torch.Tensor` có shape `(batch_size, num_queries, height, width)`) -- Dự đoán Mask từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_class_predictions** (`torch.Tensor` có shape `(batch_size, num_queries, num_classes+1)`) -- Dự đoán lớp từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_auxiliary_predictions** (`Tuple` của Dict `str, torch.Tensor`, *tùy chọn*) -- Tuple chứa các dự đoán lớp và mask từ mỗi lớp của transformer decoder.
- **text_queries** (`torch.Tensor`, *tùy chọn* có hình dạng `(batch_size, num_queries, hidden_dim)`) -- Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
- **task_token** (`torch.Tensor` có shape `(batch_size, hidden_dim)`) -- token tác vụ 1D để điều kiện hóa các truy vấn.
- **attentions** (`tuple(tuple(torch.Tensor))`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Tuple của `tuple(torch.Tensor)` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số Self và Cross Attentions từ bộ giải mã transformer.

Ví dụ:

```python
>>> import torch
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import OneFormerProcessor, OneFormerModel

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

>>> # load processor for preprocessing the inputs
>>> processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> model = OneFormerModel.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> inputs = processor(image, ["semantic"], return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> mask_predictions = outputs.transformer_decoder_mask_predictions
>>> class_predictions = outputs.transformer_decoder_class_predictions

>>> f"👉 Mask Predictions Shape: {list(mask_predictions.shape)}, Class Predictions Shape: {list(class_predictions.shape)}"
'👉 Mask Predictions Shape: [1, 150, 128, 171], Class Predictions Shape: [1, 150, 151]'
```

## OneFormerForUniversalSegmentation[[transformers.OneFormerForUniversalSegmentation]]

#### transformers.OneFormerForUniversalSegmentation[[transformers.OneFormerForUniversalSegmentation]]

```python
transformers.OneFormerForUniversalSegmentation(config: OneFormerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/oneformer/modeling_oneformer.py#L2991)

**Tham số:**

config ([OneFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerConfig)) : 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.

Mô hình OneFormer cho phân đoạn ảnh theo instance, semantic và panoptic.

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.OneFormerForUniversalSegmentation.forward]]

```python
forward(pixel_values: Tensor, task_inputs: Tensor, text_inputs: typing.Optional[torch.Tensor] = None, 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/oneformer/modeling_oneformer.py#L3058)

**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 [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor). Xem [OneFormerImageProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết ([OneFormerProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor) sử dụng [OneFormerImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerImageProcessor) để xử lý ảnh).

task_inputs (`torch.Tensor` có shape `(batch_size, sequence_length)`) : Đầu vào của tác vụ. Đầu vào của tác vụ có thể được lấy bằng [AutoImageProcessor](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoImageProcessor). Xem [OneFormerProcessor.__call__()](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerProcessor.__call__) để biết chi tiết.

text_inputs (`list[torch.Tensor]`, *tùy chọn*) : Tensor có hình dạng `(num_queries, sequence_length)` để đưa vào mô hình

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:** [OneFormerForUniversalSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput) hoặc `tuple(torch.Tensor)`

Một [OneFormerForUniversalSegmentationOutput](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.models.oneformer.modeling_oneformer.OneFormerForUniversalSegmentationOutput) 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 ([OneFormerConfig](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerConfig)) và đầu vào.

Phương thức forward của [OneFormerForUniversalSegmentation](/docs/transformers/v5.23.0/vi/model_doc/oneformer#transformers.OneFormerForUniversalSegmentation) 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_predictions** (`List` của Dict `str, torch.Tensor`, *tùy chọn*) -- Danh sách các dự đoán lớp và mask từ mỗi lớp của bộ giải mã transformer.
- **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.
- **transformer_decoder_object_queries** (`torch.Tensor` có shape `(batch_size, num_queries, hidden_dim)`) -- Object queries đầu ra từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_contrastive_queries** (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_dim)`) -- Các truy vấn tương phản từ bộ giải mã transformer.
- **transformer_decoder_mask_predictions** (`torch.Tensor` có shape `(batch_size, num_queries, height, width)`) -- Dự đoán Mask từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_class_predictions** (`torch.Tensor` có shape `(batch_size, num_queries, num_classes+1)`) -- Dự đoán lớp từ lớp cuối cùng trong transformer decoder.
- **transformer_decoder_auxiliary_predictions** (`List` of Dict of `str, torch.Tensor`, *tùy chọn*) -- Danh sách các dự đoán lớp và mask từ từng lớp của bộ giải mã transformer.
- **text_queries** (`torch.Tensor`, *tùy chọn* có hình dạng `(batch_size, num_queries, hidden_dim)`) -- Các truy vấn văn bản được suy ra từ danh sách văn bản đầu vào, dùng để tính toán tổn thất tương phản trong quá trình huấn luyện.
- **task_token** (`torch.Tensor` có shape `(batch_size, hidden_dim)`) -- token tác vụ 1D để điều kiện hóa các truy vấn.
- **attentions** (`tuple(tuple(torch.Tensor))`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Tuple của `tuple(torch.Tensor)` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`. Trọng số Self và Cross Attentions từ bộ giải mã transformer.

Ví dụ:

Ví dụ phân đoạn phổ quát:

```python
>>> from transformers import OneFormerProcessor, OneFormerForUniversalSegmentation
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch

>>> # load OneFormer fine-tuned on ADE20k for universal segmentation
>>> processor = OneFormerProcessor.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")
>>> model = OneFormerForUniversalSegmentation.from_pretrained("shi-labs/oneformer_ade20k_swin_tiny")

>>> 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()))

>>> # Semantic Segmentation
>>> inputs = processor(image, ["semantic"], return_tensors="pt")

>>> with torch.no_grad():
...     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 processor for semantic postprocessing
>>> predicted_semantic_map = processor.post_process_semantic_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]
>>> f"👉 Semantic Predictions Shape: {list(predicted_semantic_map.shape)}"
'👉 Semantic Predictions Shape: [512, 683]'

>>> # Instance Segmentation
>>> inputs = processor(image, ["instance"], return_tensors="pt")

>>> with torch.no_grad():
...     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 processor for instance postprocessing
>>> predicted_instance_map = processor.post_process_instance_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]["segmentation"]
>>> f"👉 Instance Predictions Shape: {list(predicted_instance_map.shape)}"
'👉 Instance Predictions Shape: [512, 683]'

>>> # Panoptic Segmentation
>>> inputs = processor(image, ["panoptic"], return_tensors="pt")

>>> with torch.no_grad():
...     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 processor for panoptic postprocessing
>>> predicted_panoptic_map = processor.post_process_panoptic_segmentation(
...     outputs, target_sizes=[(image.height, image.width)]
... )[0]["segmentation"]
>>> f"👉 Panoptic Predictions Shape: {list(predicted_panoptic_map.shape)}"
'👉 Panoptic Predictions Shape: [512, 683]'
```