# EoMT-DINOv3

  

## Tổng quan

Họ **EoMT-DINOv3** mở rộng kiến trúc [Encoder-only Mask Transformer](eomt) bằng các Vision Transformer được huấn luyện trước bằng [DINOv3](dinov3). Bản cập nhật này mang lại chất lượng phân đoạn mạnh hơn trên các bộ chuẩn ADE20K và COCO, đồng thời giữ nguyên thiết kế chỉ có encoder đã khiến EoMT trở nên hấp dẫn cho các ứng dụng thời gian thực.

So với các mô hình dựa trên DINOv2, các biến thể DINOv3 tận dụng các nhúng vị trí quay (rotary position embeddings), các khối MLP có cổng tùy chọn (optional gated MLP blocks) và các công thức huấn luyện trước (pre-training recipes) mới nhất từ Meta AI. Những thay đổi này mang lại mức cải thiện hiệu suất có thể đo lường được trên các tác vụ phân đoạn ngữ nghĩa, phân đoạn thực thể và phân đoạn toàn diện (panoptic segmentation), như được nêu bật trong [model zoo của DINOv3](https://github.com/tue-mps/eomt/blob/master/model_zoo/dinov3.md).

Kiến trúc EoMT ban đầu được giới thiệu trong bài báo Highlight tại CVPR 2025 *[Your ViT is Secretly an Image Segmentation Model](https://huggingface.co/papers/2503.19108)* của Tommie Kerssies, Niccolò Cavagnero, Alexander Hermans, Narges Norouzi, Giuseppe Averta, Bastian Leibe, Gijs Dubbelman và Daan de Geus. Bản nâng cấp DINOv3 giữ nguyên đầu phân đoạn (segmentation head) nhẹ và chiến lược suy luận dựa trên truy vấn (query-based inference), đồng thời thay thế bộ mã hóa (encoder) bằng các checkpoint ViT của DINOv3.

Mẹo:

* Cấu hình phơi bày các tùy chỉnh đặc thù của DINOv3 như `rope_theta` và `use_gated_mlp`. Các backbone DINOv3 lớn như `dinov3-vitg14` yêu cầu `use_gated_mlp=True`.
* Các mô hình DINOv3 có thể hoạt động trên một dải độ phân giải rộng hơn nhờ vào rotary position embeddings. Bộ xử lý ảnh mặc định vẫn là các vùng cắt hình vuông, nhưng có thể cung cấp các kích thước tùy chỉnh thông qua `AutoImageProcessor`.
* Các checkpoint được huấn luyện trước do Phòng thí nghiệm Hệ thống Nhận thức Di động của TU/e lưu trữ cung cấp các trọng số delta cần được kết hợp với các backbone DINOv3 thượng nguồn. Các tiện ích chuyển đổi trong [kho lưu trữ chính thức](https://github.com/tue-mps/eomt) mô tả chi tiết quy trình này.

Mô hình này được đóng góp bởi [nielsr](https://huggingface.co/nielsr). Mã gốc có thể được tìm thấy [tại đây](https://github.com/tue-mps/eomt).

## Ví dụ sử dụng

Dưới đây là một ví dụ tối giản cho thấy cách chạy phân đoạn toàn cảnh (panoptic segmentation) với một mô hình EoMT dựa trên DINOv3. Bộ xử lý ảnh (image processor) tương tự có thể được tái sử dụng cho phân đoạn ngữ nghĩa (semantic segmentation) hoặc phân đoạn đối tượng (instance segmentation) chỉ bằng cách thay thế checkpoint.

```python
import requests
import torch
from PIL import Image

from transformers import AutoImageProcessor, AutoModelForUniversalSegmentation

model_id = "tue-mps/eomt-dinov3-coco-panoptic-base-640"
processor = AutoImageProcessor.from_pretrained(model_id)
model = AutoModelForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

image = Image.open(requests.get("http://images.cocodataset.org/val2017/000000039769.jpg", stream=True).raw)

inputs = processor(images=image, return_tensors="pt").to(model.device)

with torch.inference_mode():
    outputs = model(**inputs)

segmentation = processor.post_process_panoptic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
list(segmentation.keys())
['segmentation', 'segments_info']
```

## EomtDinov3Config[[transformers.EomtDinov3Config]]

#### transformers.EomtDinov3Config[[transformers.EomtDinov3Config]]

```python
transformers.EomtDinov3Config(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, hidden_size: int = 1024, num_hidden_layers: int = 24, num_attention_heads: int = 16, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-06, image_size: int | list[int] | tuple[int, int] = 640, patch_size: int | list[int] | tuple[int, int] = 16, num_channels: int = 3, layerscale_value: float = 1.0, drop_path_rate: float | int = 0.0, num_upscale_blocks: int = 2, attention_dropout: float | int = 0.0, num_blocks: int = 4, no_object_weight: float = 0.1, class_weight: float = 2.0, mask_weight: float = 5.0, dice_weight: float = 5.0, train_num_points: int = 12544, oversample_ratio: float = 3.0, importance_sample_ratio: float = 0.75, num_queries: int = 200, num_register_tokens: int = 4, intermediate_size: int = 4096, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, query_bias: bool = True, key_bias: bool = False, value_bias: bool = True, proj_bias: bool = True, mlp_bias: bool = True, use_gated_mlp: bool = False, pos_embed_shift: float | None = None, pos_embed_jitter: float | None = None, pos_embed_rescale: float | None = 2.0)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt_dinov3/configuration_eomt_dinov3.py#L29)

**Tham số:**

hidden_size (`int`, *tuỳ chọn*, mặc định là `1024`) : Kích thước của các biểu diễn ẩn.

num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `24`) : Số lượng lớp ẩn trong bộ giải mã Transformer.

num_attention_heads (`int`, *tuỳ chọn*, mặc định là `16`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

hidden_act (`str`, *tùy chọn*, mặc định là `gelu`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

hidden_dropout_prob (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler.

initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-06`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

image_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `640`) : Kích thước (độ phân giải) của mỗi hình ảnh.

patch_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `16`) : Kích thước (độ phân giải) của mỗi patch.

num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào.

layerscale_value (`float`, *tuỳ chọn*, mặc định là 1.0) : Giá trị ban đầu cho tham số LayerScale.

drop_path_rate (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ drop path cho việc hợp nhất patch.

num_upscale_blocks (`int`, *tuỳ chọn*, mặc định là 2) : Số lượng khối upsampling được sử dụng trong bộ giải mã hoặc đầu phân đoạn.

attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý.

num_blocks (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng khối đặc trưng hoặc giai đoạn trong kiến trúc.

no_object_weight (`float`, *tuỳ chọn*, mặc định là 0.1) : Trọng số loss cho lớp "không có đối tượng" trong phân đoạn panoptic/instance.

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.

train_num_points (`int`, *optional*, mặc định là 12544) : Số điểm cần lấy mẫu để tính toán mask loss trong quá trình huấn luyện.

oversample_ratio (`float`, *optional*, mặc định là 3.0) : Tỷ lệ lấy mẫu quá mức được sử dụng trong việc lấy mẫu điểm cho quá trình huấn luyện mask.

importance_sample_ratio (`float`, *optional*, mặc định là 0.75) : Tỷ lệ các điểm được lấy mẫu dựa trên độ quan trọng trong quá trình huấn luyện.

num_queries (`int`, *tuỳ chọn*, mặc định là 200) : Số lượng truy vấn đối tượng trong Transformer.

num_register_tokens (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng token register có thể học được thêm vào đầu vào của transformer.

intermediate_size (`int`, *tuỳ chọn*, mặc định là `4096`) : Kích thước của các biểu diễn MLP.

rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *optional*) : Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị cho `rope_theta` và tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE với `max_position_embeddings` dài hơn.

query_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong phép chiếu query hay không.

key_bias (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng bias trong phép chiếu key hay không.

value_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong phép chiếu giá trị (value projection) hay không.

proj_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong phép chiếu đầu ra hay không.

mlp_bias (`bool`, *tùy chọn*, mặc định là `True`) : Có sử dụng bias trong các lớp up_proj, down_proj và gate_proj của các lớp MLP hay không.

use_gated_mlp (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng các lớp MLP có cổng hay không.

pos_embed_shift (`float`, *tùy chọn*) : Giá trị dịch cho các nhúng vị trí.

pos_embed_jitter (`float`, *tùy chọn*) : Giá trị jitter cho các nhúng vị trí.

pos_embed_rescale (`float`, *tuỳ chọn*, mặc định là 2.0) : Giá trị để điều chỉnh lại cho các nhúng vị trí.

Đây là lớp cấu hình để lưu trữ cấu hình của một Eomt Dinov3Model. Nó được sử dụng để khởi tạo một mô hình Eomt Dinov3 theo các đối số được chỉ định, xác định kiến trúc của 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 [tue-mps/coco_panoptic_eomt_large_640_dinov3](https://huggingface.co/tue-mps/coco_panoptic_eomt_large_640_dinov3)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/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/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

## EomtDinov3PreTrainedModel[[transformers.EomtDinov3PreTrainedModel]]

#### transformers.EomtDinov3PreTrainedModel[[transformers.EomtDinov3PreTrainedModel]]

```python
transformers.EomtDinov3PreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt_dinov3/modeling_eomt_dinov3.py#L1061)

**Tham số:**

config ([PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig)) : 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/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/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.EomtDinov3PreTrainedModel.forward]]

```python
forward(*args, **kwargs)
```

Một giá trị giả lập cho một đường dẫn có dấu chấm (ví dụ: `torch.float32`): các chuỗi truy cập thuộc tính, các lời gọi hoạt động như các decorator pass-through, `repr` là đường dẫn có dấu chấm, và việc sử dụng nó như một lớp cơ sở sẽ thay thế bằng một lớp cơ sở `type` thông thường (PEP 560 `__mro_entries__`), do đó các lớp con thực sự vẫn giữ nguyên metaclass bình thường và `inspect.signature` sẽ đọc `__init__` thực của chúng thay vì của một mock.

## EomtDinov3ForUniversalSegmentation[[transformers.EomtDinov3ForUniversalSegmentation]]

#### transformers.EomtDinov3ForUniversalSegmentation[[transformers.EomtDinov3ForUniversalSegmentation]]

```python
transformers.EomtDinov3ForUniversalSegmentation(config: EomtDinov3Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt_dinov3/modeling_eomt_dinov3.py#L1167)

**Tham số:**

config ([EomtDinov3Config](/docs/transformers/main/vi/model_doc/eomt_dinov3#transformers.EomtDinov3Config)) : 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/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình EoMT-DINOv3 với head ở trên cùng cho phân đoạn instance/semantic/panoptic.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/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.EomtDinov3ForUniversalSegmentation.forward]]

```python
forward(pixel_values: Tensor, mask_labels: list[torch.Tensor] | None = None, class_labels: list[torch.Tensor] | None = None, patch_offsets: list[torch.Tensor] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/eomt_dinov3/modeling_eomt_dinov3.py#L1231)

**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 [EomtImageProcessor](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtImageProcessor). Xem [EomtImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết (`processor_class` sử dụng [EomtImageProcessor](/docs/transformers/main/vi/model_doc/eomt#transformers.EomtImageProcessor) để xử lý ảnh).

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]`.

patch_offsets (`list[torch.Tensor]`, *tùy chọn*) : danh sách các bộ ba chỉ ra chỉ mục hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.

**Trả về:** `EomtDinov3ForUniversalSegmentationOutput` hoặc `tuple(torch.Tensor)`

Một `EomtDinov3ForUniversalSegmentationOutput` 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 ([EomtDinov3Config](/docs/transformers/main/vi/model_doc/eomt_dinov3#transformers.EomtDinov3Config)) và đầu vào.

Phương thức forward của [EomtDinov3ForUniversalSegmentation](/docs/transformers/main/vi/model_doc/eomt_dinov3#transformers.EomtDinov3ForUniversalSegmentation) 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.
- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, num_channels, height, width)`) -- Trạng thái ẩn cuối cùng (bản đồ đặc trưng cuối cùng) của lớp cuối.
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ 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 của tất cả các lớp trong mô hình.
- **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.
- **patch_offsets** (`list[torch.Tensor]`, *tuỳ chọn*) -- danh sách các bộ ba chỉ định chỉ số hình ảnh và vị trí bắt đầu và kết thúc của các patch cho phân đoạn ngữ nghĩa.