引數

• outputs (DPTForSemanticSegmentation) — 模型的原始輸出。
• target_sizes (list[Tuple]，長度為 batch_size，可選) — 對應於每個預測的請求最終大小（高度，寬度）的元組列表。如果未設定，則預測將不會被調整大小。

list[torch.Tensor]，長度為 batch_size，其中每個專案是形狀為 (height, width) 的語義分割圖，對應於 target_sizes 條目（如果指定了 target_sizes）。每個 torch.Tensor 的每個條目對應一個語義類別 ID。

引數

• images (ImageInput) — 待預處理的影像。期望單個或批次影像的畫素值範圍為 0 到 255。如果傳入的影像畫素值在 0 到 1 之間，請設定 do_rescale=False。
• segmentation_maps (ImageInput, 可選) — 待預處理的分割圖。
• do_resize (bool, 可選, 預設為 self.do_resize) — 是否調整影像大小。
• size (dict[str, int], 可選, 預設為 self.size) — 調整大小後的影像尺寸。如果 keep_aspect_ratio 為 True，則影像將調整為儘可能大的尺寸，同時保持縱橫比。如果設定了 ensure_multiple_of，則影像將調整為該值的倍數。
• keep_aspect_ratio (bool, 可選, 預設為 self.keep_aspect_ratio) — 是否保持影像的縱橫比。如果為 False，影像將調整為 (size, size)。如果為 True，影像將調整大小以保持縱橫比，並且大小將是最大可能值。
• ensure_multiple_of (int, 可選, 預設為 self.ensure_multiple_of) — 確保影像尺寸是此值的倍數。
• resample (int, 可選, 預設為 self.resample) — 調整影像大小時使用的重取樣濾波器。可以是 PILImageResampling 列舉之一。僅當 do_resize 設定為 True 時有效。
• do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否將影像值重新縮放到 [0 - 1] 之間。
• rescale_factor (float, 可選, 預設為 self.rescale_factor) — 如果 do_rescale 設定為 True，則用於重新縮放影像的縮放因子。
• do_normalize (bool, 可選, 預設為 self.do_normalize) — 是否對影像進行歸一化。
• image_mean (float 或 list[float], 可選, 預設為 self.image_mean) — 影像均值。
• image_std (float 或 list[float], 可選, 預設為 self.image_std) — 影像標準差。
• do_reduce_labels (bool, 可選, 預設為 self.do_reduce_labels) — 是否將分割圖的所有標籤值減 1。通常用於 0 表示背景，且背景本身不包含在資料集所有類別中的資料集（例如 ADE20k）。背景標籤將替換為 255。
• return_tensors (str 或 TensorType, 可選) — 返回張量的型別。可以是以下之一：
  • 未設定：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 型別的批次資料。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 型別的批次資料。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 型別的批次資料。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 型別的批次資料。
• data_format (ChannelDimension 或 str, 可選, 預設為 ChannelDimension.FIRST) — 輸出影像的通道維度格式。可以是以下之一：
  • ChannelDimension.FIRST：影像格式為 (num_channels, height, width)。
  • ChannelDimension.LAST：影像格式為 (height, width, num_channels)。
• input_data_format (ChannelDimension 或 str, 可選) — 輸入影像的通道維度格式。如果未設定，則從輸入影像推斷通道維度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：影像格式為 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：影像格式為 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：影像格式為 (height, width)。

引數

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 待預處理的影像。期望單個或批次影像的畫素值範圍為 0 到 255。如果傳入的影像畫素值在 0 到 1 之間，請設定 do_rescale=False。
• segmentation_maps (ImageInput, 可選) — 待預處理的分割圖。
• do_resize (bool, 可選) — 是否調整影像大小。
• size (dict[str, int], 可選) — 描述模型的最大輸入尺寸。
• default_to_square (bool, 可選) — 如果 size 為整數，是否預設將影像調整為正方形。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 調整影像大小時使用的重取樣濾波器。可以是 PILImageResampling 列舉之一。僅當 do_resize 設定為 True 時有效。
• do_center_crop (bool, 可選) — 是否對影像進行中心裁剪。
• crop_size (dict[str, int], 可選) — 應用center_crop後輸出影像的大小。
• do_rescale (bool, 可選) — 是否縮放影像。
• rescale_factor (Union[int, float, NoneType]) — 如果do_rescale設定為True，則用於縮放影像的縮放因子。
• do_normalize (bool, 可選) — 是否對影像進行歸一化。
• image_mean (Union[float, list[float], NoneType]) — 用於歸一化的影像平均值。僅當do_normalize設定為True時有效。
• image_std (Union[float, list[float], NoneType]) — 用於歸一化的影像標準差。僅當do_normalize設定為True時有效。
• do_convert_rgb (bool, 可選) — 是否將影像轉換為RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果設定為“pt”，則返回堆疊張量，否則返回張量列表。
• data_format (~image_utils.ChannelDimension, 可選) — 僅支援ChannelDimension.FIRST。為與慢速處理器相容而新增。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 輸入影像的通道維度格式。如果未設定，則從輸入影像推斷通道維度格式。可以是以下之一：
  • "channels_first"或ChannelDimension.FIRST：影像格式為(通道數, 高度, 寬度)。
  • "channels_last"或ChannelDimension.LAST：影像格式為(高度, 寬度, 通道數)。
  • "none"或ChannelDimension.NONE：影像格式為(高度, 寬度)。
• device (torch.device, 可選) — 處理影像的裝置。如果未設定，則從輸入影像推斷裝置。
• disable_grouping (bool, 可選) — 是否停用按大小對影像進行分組以單獨處理而不是分批處理。如果為 None，則如果影像在 CPU 上，則設定為 True，否則設定為 False。此選擇基於經驗觀察，詳見：https://github.com/huggingface/transformers/pull/38157
• ensure_multiple_of (int, 可選, 預設為 1) — 如果do_resize為True，則影像將調整大小為該值的倍數。可以透過preprocess中的ensure_multiple_of覆蓋。
• size_divisor (int, 可選) — 如果do_pad為True，則將影像尺寸填充為該值的倍數。這是在DINOv2論文中引入的，DINOv2使用該模型與DPT結合。
• do_pad (bool, 可選, 預設為False) — 是否應用中心填充。這是在DINOv2論文中引入的，DINOv2使用該模型與DPT結合。
• keep_aspect_ratio (bool, 可選, 預設為False) — 如果為True，影像將調整為儘可能大的尺寸，同時保持縱橫比。可以透過preprocess中的keep_aspect_ratio覆蓋。
• do_reduce_labels (bool, 可選, 預設為self.do_reduce_labels) — 是否將分割圖的所有標籤值減1。通常用於背景標籤為0，且背景本身不包含在資料集所有類別中的資料集（例如ADE20k）。背景標籤將被替換為255。

• data (dict) — 由 call 方法返回的列表/陣列/張量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可選) — 您可以在此處提供一個`tensor_type`，以便在初始化時將整數列表轉換為PyTorch/TensorFlow/Numpy張量。

引數

• outputs (DPTForSemanticSegmentation) — 模型的原始輸出。
• target_sizes (list[Tuple]，長度為batch_size，可選) — 對應於每個預測的請求最終大小（高度，寬度）的元組列表。如果未設定，預測將不會調整大小。

list[torch.Tensor]，長度為 batch_size，其中每個專案是形狀為 (height, width) 的語義分割圖，對應於 target_sizes 條目（如果指定了 target_sizes）。每個 torch.Tensor 的每個條目對應一個語義類別 ID。

引數

• outputs (DepthEstimatorOutput) — 模型的原始輸出。
• target_sizes (TensorType 或 List[Tuple[int, int]], 可選) — 形狀為(batch_size, 2)的張量或包含批次中每張影像的目標大小（高度，寬度）的元組列表（Tuple[int, int]）。如果留空，則預測將不會調整大小。

表示處理後的深度預測的張量字典列表。

引數

• pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 對應於輸入影像的張量。畫素值可以使用{image_processor_class}獲取。有關詳細資訊，請參見{image_processor_class}.__call__（{processor_class}使用{image_processor_class}處理影像）。
• head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選擇在[0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部被遮蔽。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參見返回張量下的attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參見返回張量下的hidden_states。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通的元組。

一個transformers.models.dpt.modeling_dpt.BaseModelOutputWithPoolingAndIntermediateActivations或一個torch.FloatTensor元組（如果傳遞了return_dict=False或當config.return_dict=False時），包含取決於配置（DPTConfig）和輸入的各種元素。

• last_hidden_state (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可選，預設為 None) — 模型最後一層輸出的隱藏狀態序列。

• pooler_output (torch.FloatTensor，形狀為 (batch_size, hidden_size)) — 序列中第一個令牌（分類令牌）的最後一層隱藏狀態，經過用於輔助預訓練任務的層進一步處理。例如，對於BERT家族的模型，這返回經過線性層和tanh啟用函式處理後的分類令牌。線性層權重在預訓練期間透過下一個句子預測（分類）目標進行訓練。

• hidden_states (tuple[torch.FloatTensor, ...], 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) — torch.FloatTensor的元組（如果模型有嵌入層，則為嵌入層輸出一個，每個層輸出一個）形狀為(batch_size, sequence_length, hidden_size)。

  模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

• attentions (tuple[torch.FloatTensor, ...], 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) — torch.FloatTensor的元組（每個層一個）形狀為(batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

• intermediate_activations (tuple(torch.FloatTensor), 可選) — 可用於計算模型在各個層的隱藏狀態的中間啟用。

引數

• pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 對應於輸入影像的張量。畫素值可以使用{image_processor_class}獲取。有關詳細資訊，請參見{image_processor_class}.__call__（{processor_class}使用{image_processor_class}處理影像）。
• head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選擇在[0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部被遮蔽。
• labels (torch.LongTensor，形狀為 (batch_size, height, width), 可選) — 用於計算損失的真實深度估計圖。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參見返回張量下的attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參見返回張量下的hidden_states。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通的元組。

一個transformers.modeling_outputs.DepthEstimatorOutput或一個torch.FloatTensor元組（如果傳遞了return_dict=False或當config.return_dict=False時），包含取決於配置（DPTConfig）和輸入的各種元素。

• loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。

• predicted_depth (torch.FloatTensor，形狀為 (batch_size, height, width)) — 每個畫素的預測深度。

• hidden_states (tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) — torch.FloatTensor的元組（如果模型有嵌入層，則為嵌入層輸出一個，每個層輸出一個）形狀為(batch_size, num_channels, height, width)。

  模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

• attentions (tuple(torch.FloatTensor), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) — torch.FloatTensor的元組（每個層一個）形狀為(batch_size, num_heads, patch_size, sequence_length)。

  注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

引數

• pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size), 可選) — 對應於輸入影像的張量。畫素值可以使用{image_processor_class}獲取。有關詳細資訊，請參見{image_processor_class}.__call__（{processor_class}使用{image_processor_class}處理影像）。
• head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選擇在[0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部被遮蔽。
• labels (torch.LongTensor，形狀為 (batch_size, height, width), 可選) — 用於計算損失的真實語義分割圖。索引應在[0, ..., config.num_labels - 1]範圍內。如果config.num_labels > 1，則計算分類損失（交叉熵）。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參見返回張量下的attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參見返回張量下的hidden_states。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通的元組。

一個transformers.modeling_outputs.SemanticSegmenterOutput或一個torch.FloatTensor元組（如果傳遞了return_dict=False或當config.return_dict=False時），包含取決於配置（DPTConfig）和輸入的各種元素。

• loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。

• logits (形狀為 (batch_size, config.num_labels, logits_height, logits_width) 的 torch.FloatTensor) — 每個畫素的分類分數。

  返回的logits不一定與作為輸入傳遞的pixel_values具有相同的大小。這是為了避免兩次插值，並在使用者需要將logits調整到原始影像大小時，在後處理中損失一些質量。您應該始終檢查logits的形狀並根據需要進行調整。

• hidden_states (tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) — torch.FloatTensor的元組（一個用於嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出一個），形狀為(batch_size, patch_size, hidden_size)。

  模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

• attentions (tuple(torch.FloatTensor), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) — torch.FloatTensor的元組（每個層一個）形狀為(batch_size, num_heads, patch_size, sequence_length)。

  注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。