segmentation_models.pytorch

KO | EN

gitlite — search

#python #hacktoberfest #ai #typescript #machine-learning #rust #docker #java #nodejs #awesome-list #ios #mcp #openai #open-source

segmentation_models.pytorch

(★ 11,694)

500개 이상의 사전 학습된 Convolutional 및 Transformer 기반 백본을 지원하는 Semantic Segmentation 모델입니다.

segmentation_models.pytorch 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![logo](https://i.ibb.co/dc1XdhT/Segmentation-Models-V2-Side-1-1.png)
\*\*[PyTorch](https://pytorch.org/) 기반의 이미지 시맨틱 SEGMENTATION을 위한 신경망이 포함된 Python 라이브러리입니다.\*\*
[![GitHub Workflow Status (branch)](https://img.shields.io/github/actions/workflow/status/qubvel/segmentation\_models.pytorch/tests.yml?branch=main&style=for-the-badge)](https://github.com/qubvel/segmentation\_models.pytorch/actions/workflows/tests.yml)
![Codecov](https://img.shields.io/codecov/c/github/qubvel-org/segmentation\_models.pytorch?style=for-the-badge)
[![Read the Docs](https://img.shields.io/readthedocs/smp?style=for-the-badge&logo=readthedocs&logoColor=white)](https://smp.readthedocs.io/en/latest/)
  
[![PyPI](https://img.shields.io/pypi/v/segmentation-models-pytorch?color=red&style=for-the-badge&logo=pypi&logoColor=white)](https://pypi.org/project/segmentation-models-pytorch/)
[![PyTorch - Version](https://img.shields.io/badge/PYTORCH-1.9+-red?style=for-the-badge&logo=pytorch)](https://pepy.tech/project/segmentation-models-pytorch)
[![Python - Version](https://img.shields.io/badge/PYTHON-3.9+-red?style=for-the-badge&logo=python&logoColor=white)](https://pepy.tech/project/segmentation-models-pytorch)
  
[![Generic badge](https://img.shields.io/badge/License-MIT-.svg?style=for-the-badge&color=blue)](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/LICENSE)
[![PyPI - Downloads](https://img.shields.io/pypi/dm/segmentation-models-pytorch?style=for-the-badge&color=blue)](https://pepy.tech/project/segmentation-models-pytorch)

이 라이브러리의 주요 기능은 다음과 같습니다:
- 매우 간단한 고수준 API (단 두 줄로 신경망 생성 가능)
- 12개의 인코더-디코더 모델 아키텍처 (Unet, Unet++, Segformer, DPT, ...)
- [timm](https://github.com/huggingface/pytorch-image-models) 지원을 포함하여 합성곱(convolution) 및 트랜스포머(transform) 기반의 800개 이상 \*\*사전 학습된(pretrained)\*\* 인코더 제공
- 학습 루틴에 유용한 인기 평가 지표 및 손실 함수 (Dice, Jaccard, Tversky, ...)
- ONNX 내보내기 지원 및 torch script/trace/compile 호환
### 🤝 Sponsor: withoutBG
[![Sponsored by withoutBG](https://withoutbg.com/images/img-and-matte.png)](https://github.com/withoutbg/withoutbg)
[withoutBG](https://github.com/withoutbg/withoutbg)는 고품질 배경 제거 도구입니다. 이들은 `smp.Unet`을 사용하여 오픈소스 이미지 매팅 및 리파이너 모델을 구축했으며, 자랑스럽게 이 프로젝트를 후원하고 있습니다.
### [📚 Project Documentation 📚](https://smp.readthedocs.io/)
Segmentation Models Pytorch (줄여서 SMP) 라이브러리에 대해 더 알아보려면 [Read The Docs Project Page](https://smp.readthedocs.io/)를 방문하거나 다음 README를 읽어보세요.
### 📋 Table of content
1. [Quick start](#start)
2. [Examples](#examples)
3. [Models and encoders](#models-and-encoders)
4. [Models API](#api)
1. [Input channels](#input-channels)
2. [Auxiliary classification output](#auxiliary-classification-output)
3. [Depth](#depth)
5. [Installation](#installation)
6. [Competitions won with the library](#competitions)
7. [Contributing](#contributing)
8. [Citing](#citing)
9. [License](#license)
## ⏳ Quick start 
#### 1. SMP로 첫 번째 Segmentation 모델 만들기
세그멘테이션 모델은 단지 PyTorch의 `torch.nn.Module`일 뿐이며, 다음과 같이 매우 간단하게 생성할 수 있습니다:
```python
import segmentation\_models\_pytorch as smp
model = smp.Unet(
encoder\_name="resnet34", # 인코더 선택 (예: mobilenet\_v2 또는 efficientnet-b7)
encoder\_weights="imagenet", # 인코더 초기화를 위해 `imagenet` 사전 학습된 가중치 사용
in\_channels=1, # 모델 입력 채널 (그레이스케일 이미지는 1, RGB는 3 등)
classes=3, # 모델 출력 채널 (데이터셋의 클래스 수)
)
```
- 사용 가능한 모델 아키텍처는 [표](#architectures)를 참고하세요.
- 사용 가능한 인코더와 해당 가중치는 [표](#encoders)를 참고하세요.
#### 2. 데이터 전처리 설정하기
모든 인코더에는 사전 학습된 가중치가 있습니다. 가중치를 사전 학습할 때와 동일한 방식으로 데이터를 준비하면 더 나은 결과(더 높은 평가지표 점수와 더 빠른 수렴)를 얻을 수 있습니다. 디코더뿐만 아니라 전체 모델을 학습시키는 경우에는 \*\*필수적이\*\* 않습니다.
```python
from segmentation\_models\_pytorch.encoders import get\_preprocessing\_fn
preprocess\_input = get\_preprocessing\_fn('resnet18', pretrained='imagenet')
```
축하합니다! 끝났습니다! 이제 선호하는 프레임워크로 모델을 학습시킬 수 있습니다!
## 💡 Examples 
| Name | Link | Colab |
|-------------------------------------------|-----------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------|
| OxfordPets에서 펫 바이너리 세그멘테이션 \*\*Train\*\* | [Notebook](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/examples/binary\_segmentation\_intro.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/binary\_segmentation\_intro.ipynb) |
| CamVid에서 자동차 바이너리 세그멘테이션 \*\*Train\*\* | [Notebook](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/examples/cars%20segmentation%20(camvid).ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/cars%20segmentation%20(camvid).ipynb) |
| CamVid에서 다중 클래스 세그멘테이션 \*\*Train\*\* | [Notebook](https://github.com/qubvel-org/segmentation\_models.pytorch/blob/main/examples/camvid\_segmentation\_multiclass.ipynb) | [![

Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel-org/segmentation\_models.pytorch/blob/main/examples/camvid\_segmentation\_multiclass.ipynb) |
| \*\*Train\*\* @ternaus에 의한 의류 바이너리 세그멘테이션(clothes binary segmentation) | [Repo](https://github.com/ternaus/cloths\_segmentation) | |
| 사전 학습된 Segformer \*\*로드 및 추론(Load and inference)\*\* | [Notebook](https://github.com/qubvel-org/segmentation\_models.pytorch/blob/main/examples/segformer\_inference\_pretrained.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/segformer\_inference\_pretrained.ipynb) |
| 사전 학습된 DPT \*\*로드 및 추론(Load and inference)\*\* | [Notebook](https://github.com/qubvel-org/segmentation\_models.pytorch/blob/main/examples/dpt\_inference\_pretrained.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/dpt\_inference\_pretrained.ipynb) |
| 사전 학습된 UPerNet \*\*로드 및 추론(Load and inference)\*\* | [Notebook](https://github.com/qubvel-org/segmentation\_models.pytorch/blob/main/examples/upernet\_inference\_pretrained.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/upernet\_inference\_pretrained.ipynb) |
| 모델을 로컬에 / HuggingFace Hub에 \*\*저장 및 로드(Save and load)\*\* |[Notebook](https://github.com/qubvel-org/segmentation\_models.pytorch/blob/main/examples/save\_load\_model\_and\_share\_with\_hf\_hub.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/save\_load\_model\_and\_share\_with\_hf\_hub.ipynb)
| 학습된 모델을 ONNX로 \*\*내보내기(Export)\*\* | [Notebook](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/examples/convert\_to\_onnx.ipynb) | [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/qubvel/segmentation\_models.pytorch/blob/main/examples/convert\_to\_onnx.ipynb) |
## 📦 Models and encoders 
### Architectures 
| Architecture | Paper | Documentation | Checkpoints |
|--------------|-------|---------------|------------|
| Unet | [paper](https://arxiv.org/abs/1505.04597) | [docs](https://smp.readthedocs.io/en/latest/models.html#unet) | |
| Unet++ | [paper](https://arxiv.org/pdf/1807.10165.pdf) | [docs](https://smp.readthedocs.io/en/latest/models.html#unetplusplus) | |
| MAnet | [paper](https://ieeexplore.ieee.org/abstract/document/9201310) | [docs](https://smp.readthedocs.io/en/latest/models.html#manet) | |
| Linknet | [paper](https://arxiv.org/abs/1707.03718) | [docs](https://smp.readthedocs.io/en/latest/models.html#linknet) | |
| FPN | [paper](https://arxiv.org/abs/1612.03144) | [docs](https://smp.readthedocs.io/en/latest/models.html#fpn) | |
| PSPNet | [paper](https://arxiv.org/abs/1612.01105) | [docs](https://smp.readthedocs.io/en/latest/models.html#pspnet) | |
| PAN | [paper](https://arxiv.org/abs/1805.10180) | [docs](https://smp.readthedocs.io/en/latest/models.html#pan) | |
| DeepLabV3 | [paper](https://arxiv.org/abs/1706.05587) | [docs](https://smp.readthedocs.io/en/latest/models.html#deeplabv3) | |
| DeepLabV3+ | [paper](https://arxiv.org/abs/1802.02611) | [docs](https://smp.readthedocs.io/en/latest/models.html#deeplabv3plus) | |
| UPerNet | [paper](https://arxiv.org/abs/1807.10221) | [docs](https://smp.readthedocs.io/en/latest/models.html#upernet) | [checkpoints](https://huggingface.co/collections/smp-hub/upernet-67fadcdbe08418c6ea94f768) |
| Segformer | [paper](https://arxiv.org/abs/2105.15203) | [docs](https://smp.readthedocs.io/en/latest/models.html#segformer) | [checkpoints](https://huggingface.co/collections/smp-hub/segformer-6749eb4923d

ea2c355f29a1f) |
| DPT | [paper](https://arxiv.org/abs/2103.13413) | [docs](https://smp.readthedocs.io/en/latest/models.html#dpt) | [checkpoints](https://huggingface.co/collections/smp-hub/dpt-67f30487327c0599a0c62d68) |
### Encoders 
이 라이브러리는 세분화(segmentation) 모델을 위한 다양한 \*\*사전 학습된(pretrained)\*\* encoder(백본이라고도 함)를 제공합니다. 분류(classification) 모델의 최종 레이어에서 특징을 사용하는 대신, \*\*중간 특징(intermediate features)\*\*을 추출하여 세분화 작업을 위해 decoder에 공급합니다.
모든 encoder는 \*\*사전 학습된 가중치(pretrained weights)\*\*와 함께 제공되며, 이는 세분화 모델을 학습할 때 \*\*더 빠르고 안정적인 수렴(convergence)\*\*을 달성하는 데 도움을 줍니다.
지원되는 다양한 encoder 중에서 특정 사용 사례에 가장 적합한 것을 선택할 수 있습니다. 예를 들면 다음과 같습니다:
- 저지연(low-latency) 애플리케이션이나 엣지 디바이스에서의 실시간 추론을 위한 \*\*경량 encoder\*\* (mobilenet/mobileone).
- 분할된 클래스가 많은 복잡한 작업을 위한 \*\*고용량 아키텍처\*\*로, 뛰어난 정확도를 제공합니다 (convnext/swin/mit).
올바른 encoder를 선택하여 프로젝트 요구사항에 맞게 \*\*효율성, 성능, 모델 복잡도\*\*의 균형을 맞출 수 있습니다.
모든 encoder와 그에 상응하는 사전 학습된 가중치는 문서에 나열되어 있습니다:
- 기본 포팅된 encoder가 포함된 [table](https://smp.readthedocs.io/en/latest/encoders.html)
- 지원되는 [timm](https://github.com/huggingface/pytorch-image-models) encoder가 포함된 [table](https://smp.readthedocs.io/en/latest/encoders\_timm.html)
## 🔁 Models API 
### Input channels
입력 채널 매개변수를 사용하면 임의의 수의 채널을 가진 텐서를 처리할 수 있는 모델을 만들 수 있습니다.
ImageNet의 사전 학습된 가중치를 사용하는 경우, 첫 번째 컨볼루션(convolution)의 가중치가 재사용됩니다:
- 1채널의 경우, 첫 번째 컨볼루션 레이어 가중치의 합이 됩니다.
- 그 외의 경우, `new\_weight[:, i] = pretrained\_weight[:, i % 3]`과 같은 방식으로 가중치가 채워지고, `new\_weight \* 3 / new\_in\_channels`로 스케일링됩니다.
```python
model = smp.FPN('resnet34', in\_channels=1)
mask = model(torch.ones([1, 1, 64, 64]))
```
### Auxiliary classification output
모든 모델은 `aux\_params` 매개변수를 지원하며, 기본값은 `None`으로 설정되어 있습니다.
`aux\_params = None`인 경우 분류 보조 출력(classification auxiliary output)이 생성되지 않으며, 그렇지 않은 경우
모델은 `mask`뿐만 아니라 `NC` 형태의 `label` 출력도 생성합니다.
분류 헤드는 GlobalPooling->Dropout(선택사항)->Linear->Activation(선택사항) 레이어로 구성되며, 다음과 같이 `aux\_params`로 설정할 수 있습니다:
```python
aux\_params=dict(
pooling='avg', # 'avg', 'max' 중 하나
dropout=0.5, # 드롭아웃 비율, 기본값은 None
activation='sigmoid', # 활성화 함수, 기본값은 None
classes=4, # 출력 레이블 수 정의
)
model = smp.Unet('resnet34', classes=4, aux\_params=aux\_params)
mask, label = model(x)
```
### Depth
Depth 매개변수는 encoder 내의 다운샘플링 연산 수를 지정하므로, 더 작은 `depth`를 지정하여 모델을 더 가볍게 만들 수 있습니다.
```python
model = smp.Unet('resnet34', encoder\_depth=4)
```
## 🛠 Installation 
PyPI 버전:
```bash
$ pip install segmentation-models-pytorch
````
GitHub의 최신 버전:
```bash
$ pip install git+https://github.com/qubvel/segmentation\_models.pytorch
````
## 🏆 Competitions won with the library 
`Segmentation Models` 패키지는 이미지 세분화 경진대회에서 널리 사용됩니다.
[여기](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/HALLOFFAME.md)에서 경진대회, 수상자 이름 및 솔루션 링크를 확인할 수 있습니다.
## 🛠 Projects built with SMP
- [withoutBG](https://github.com/withoutbg/withoutbg): 이미지 매팅 및 보정 모델에 `smp.Unet`을 사용하는 오픈소스 배경 제거 도구입니다. [HuggingFace의 withoutBG Focus](https://huggingface.co/withoutbg/focus)를 확인해 보세요.
## 🤝 Contributing 
1. 개발 모드로 SMP 설치
```bash
make install\_dev # .venv 생성, 개발 모드로 SMP 설치
```
2. 테스트 및 코드 검사 실행
```bash
make tes

t # Run tests suite with pytest
make fixup # Ruff for formatting and lint checks
```
3. encoder를 추가한 경우 테이블 업데이트하기
```bash
make table # Generates a table with encoders and print to stdout
```
## 📝 인용하기 (Citing)
```
@misc{Iakubovskii:2019,
Author = {Pavel Iakubovskii},
Title = {Segmentation Models Pytorch},
Year = {2019},
Publisher = {GitHub},
Journal = {GitHub repository},
Howpublished = {\url{https://github.com/qubvel/segmentation\_models.pytorch}}
}
```
## 🛡️ 라이선스 (License) 
이 프로젝트는 기본적으로 [MIT License](https://github.com/qubvel/segmentation\_models.pytorch/blob/main/LICENSE)에 따라 배포되며, 일부 파일은 다른 라이선스의 적용을 받습니다. 특히 상업적 용도로 사용하는 경우, 주의 깊은 확인을 위해 [LICENSES](licenses/LICENSES.md) 및 각 파일의 라이선스 명시를참조해 주세요.

segmentation_models.pytorch

segmentation_models.pytorch 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

segmentation_models.pytorch

segmentation_models.pytorch 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README