【人工智能】Transformers之Pipeline（二十七）：蒙版生成（mask-generation）

Ne0inhk

23 Mar 2026 — 9 min read

一、引言

二、蒙版生成（mask-generation）

2.1 概述

2.2 facebook/sam-vit-base

2.3 pipeline参数

2.3.1 pipeline对象实例化参数

一、引言

pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型

今天介绍多模态的第五篇：蒙版生成（mask-generation），在huggingface库内可以使用的蒙版生成（mask-generation）模型有160个。

二、蒙版生成（mask-generation）

2.1 概述

蒙版生成（mask-generation）是生成用于识别给定图像中的特定对象或感兴趣区域的蒙版的任务。蒙版通常用于分割任务，它们提供了一种精确的方法来隔离感兴趣的对象，以便进一步处理或分析。

2.2 facebook/sam-vit-base

facebook推出了Segment Anything (SA) 项目：一种用于图像分割的新任务、模型和数据集。在数据收集循环中使用facebook的高效模型，facebook构建了迄今为止最大的分割数据集，在 1100 万张获得许可且尊重隐私的图像上包含超过 10 亿个掩码。该模型经过设计和训练，可立即使用，因此它可以将零样本转移到新的图像分布和任务中。facebook在众多任务上评估了它的能力，发现它的零样本性能令人印象深刻——通常可以与之前的完全监督结果相媲美甚至更胜一筹。facebook在https://segment-anything.com上发布了Segment Anything 模型 (SAM) 和相应的数据集 (SA-1B)，其中包含 1B 个掩码和 1100 万张图像，以促进对计算机视觉基础模型的研究。

SAM 模型由 3 个模块组成：

VisionEncoder基于 VIT 的图像编码器。它使用对图像块的注意力来计算图像嵌入。使用相对位置嵌入。PromptEncoder生成点和边界框的嵌入。MaskDecoder双向转换器，在图像嵌入和点嵌入（->）之间以及点嵌入和图像嵌入之间执行交叉注意力机制。

2.3 pipeline参数

2.3.1 pipeline对象实例化参数

model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从 TFPreTrainedModel继承。image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。modelcard（str或ModelCard，可选） — 属于此管道模型的模型卡。framework（str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。task（str，默认为""）— 管道的任务标识符。num_workers（int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。batch_size（int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。device（int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太torch_dtype（str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"）binary_output（bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。points_per_batch（可选，整数，默认为 64）— 设置模型同时运行的点数。数字越大，速度越快，但会占用更多 GPU 内存。output_bboxes_mask（bool，可选，默认为False）— 是否输出边界框预测。output_rle_masks ( bool，可选，默认为False) — 是否以RLE格式输出掩码

2.3.2 pipeline对象使用参数

inputs（np.ndarray或bytes或str或dict）——图像或图像列表。mask_threshold（float，可选，默认为 0.0）— 将预测掩码转换为二进制值时使用的阈值。pred_iou_thresh（float，可选[0,1]，默认为 0.88）—应用于模型预测的掩模质量的过滤阈值。stable_score_thresh ( float，可选，默认为 0.95) — 中的过滤阈值[0,1]，使用在用于二值化模型的掩模预测的截止值变化下的掩模稳定性。stable_score_offset（int，可选，默认为 1）— 计算稳定性分数时偏移截止值的量。crops_nms_thresh（float，可选，默认为 0.7）— 非最大抑制用于过滤重复蒙版的框 IoU 截止值。crops_n_layers（int，可选，默认为 0）— 如果是crops_n_layers>0，则将再次对图像的裁剪部分运行掩码预测。设置要运行的层数，其中每层有 2**i_layer 个图像裁剪部分。crop_overlap_ratio ( float，可选，默认为512 / 1500) — 设置裁剪重叠的程度。在第一个裁剪层中，裁剪将重叠图像长度的这一部分。后续裁剪较多的层将缩小重叠部分。crop_n_points_downscale_factor（int，可选，默认为1）— 在第 n 层中采样的每侧点数按 crop_n_points_downscale_factor**n 缩小。timeout（可选float，默认为 None）— 等待从网络获取图像的最长时间（以秒为单位）。如果为 None，则不设置超时，并且调用可能会永远阻塞。

2.3.3 pipeline对象返回参数

mask ( PIL.Image) — 检测到的对象的二进制掩码，作为(width, height)原始图像形状的 PIL 图像。如果未找到任何对象，则返回用零填充的掩码。score（可选 float）——可选，当模型能够估计标签和掩码描述的“对象”的置信度时。

2.4 pipeline实战

基于pipeline的蒙版生成（mask-generation）任务，采用facebook/sam-vit-base进行图片分割并提取蒙版，代码如下：

import os os.environ["HF_ENDPOINT"] = "https://hf-mirror.com" os.environ["CUDA_VISIBLE_DEVICES"] = "2" from transformers import pipeline generator = pipeline(model="facebook/sam-vit-base", task="mask-generation") outputs = generator( "./parrots.png", ) print(outputs)

执行后，自动下载模型文件并进行蒙版生成：