パラメータ

• backbone_config (Union[dict, ~configuration_utils.PreTrainedConfig], 任意) — バックボーンモデルの設定です。
• hidden_act (str、任意、デフォルトは gelu) — デコーダーで使用する非線形活性化関数（関数または文字列）。例えば、"gelu"、 "relu"、"silu" など。
• initializer_range (float、任意、デフォルトは 0.02) — すべての重み行列を初期化するための truncated_normal_initializer の標準偏差です。
• batch_norm_eps (float、任意、デフォルトは 1e-05) — バッチ正規化レイヤーで使用する epsilon です。
• readout_type (str, 省略可能, デフォルトは "project") — ViT バックボーンの中間隠れ状態の readout トークン（CLS トークン）を処理する際に使用する readout タイプです。"ignore", "add", "project"].
  • “ignore”はCLSトークンを単に無視します。
  • 「add」は、表現を加算することにより、CLS トークンの情報を他のすべてのトークンに伝達します。
  • “project” は、読み出しを他のすべてのトークンに連結してから、線形層と GELU 非線形性を適用して、表現を元のフィーチャ次元 D に射影することにより、他のトークンに情報を伝達します。
• reassemble_factors (list[int]、任意、デフォルトは [4, 2, 1, 0.5]) — reassemble レイヤーの上/下サンプリング係数です。
• neck_hidden_sizes (list[str]、任意、デフォルトは [96, 192, 384, 768]) — バックボーンのフィーチャマップを投影するための隠れ層サイズです。
• fusion_hidden_size (int、任意、デフォルトは 256) — 融合前のチャネル数です。
• head_in_index (int、任意、デフォルトは -1) — ヘッドで使用する特徴のインデックス。
• use_batch_norm_in_fusion_residual (bool、任意、デフォルトはFalse) — fusion ブロックの pre-activate residual ユニットでバッチ正規化を使用するかどうか。
• use_bias_in_fusion_residual (bool、任意、デフォルトはTrue) — fusion ブロックの pre-activate residual ユニットでバイアスを使用するかどうか。
• num_relative_features (int、任意、デフォルトは 32) — 相対深度推定ヘッドで使用する特徴量の数。
• add_projection (bool、省略可、デフォルトはFalse) — 深度推定ヘッドの前に投影層を追加するかどうか。
• bottleneck_features (int、任意、デフォルトは 256)— ボトルネック層のフィーチャ数です。
• num_attractors (list[int], *optional*, defaults to [16, 8, 4, 1]`) — 各ステージで使用するアトラクターの数を指定します。
• bin_embedding_dim (int, 任意、デフォルトは 128) — ビン埋め込みの次元数です。
• attractor_alpha (int、任意、デフォルト値は 1000)— アトラクターで使用する alpha 値です。
• attractor_gamma (int、任意、デフォルト値は 2) — アトラクターで使用する gamma 値。
• attractor_kind (str、任意、デフォルトは "mean") — 使用するアトラクターの種類です。"mean" または "sum" のいずれかです。
• min_temp (float、任意、デフォルト値は 0.0212) — 考慮する最小の温度値です。
• max_temp (float、任意、デフォルト値は 50.0) — 考慮する温度の最大値。
• bin_centers_type (str、任意、デフォルトは "softplus") — ビンセンターに使用される活性化の種類です。“normed” または “softplus” を指定できます。“normed” の場合、線形正規化のトリックが適用され、ビンセンターは有界になります。“softplus” の場合、softplus 活性化が使用されるため、ビンセンターは無界になります。
• bin_configurations (list[dict], 省略可, デフォルトは [{'n_bins' -- 64, 'min_depth': 0.001, 'max_depth': 10.0}]): 各ビンヘッドの設定。 各設定には、次のキーを含める必要があります:
  • name (str): バインヘッドの名前 - 複数のバイン設定がある場合のみ必要です。
  • n_bins (int): 使用するバインの数。
  • min_depth (float): 考慮する最小の深度値です。
  • max_depth (float): 考慮する最大深度値。 単一の設定のみが渡された場合、モデルは指定された設定を持つ単一のヘッドを使用します。 複数の設定が渡された場合、モデルは指定された設定を持つ複数のヘッドを使用します。
• num_patch_transformer_layers (int, 任意) — パッチトランスフォーマーで使用するトランスフォーマー層の数です。複数のビン設定の場合にのみ使用されます。
• patch_transformer_hidden_size (int, 任意) — パッチトランスフォーマーで使用する隠れ層サイズ。複数のビン設定の場合にのみ使用されます。
• patch_transformer_intermediate_size (int, 任意) — パッチトランスフォーマーで使用する中間サイズ。複数のビン設定の場合にのみ使用されます。
• patch_transformer_num_attention_heads (int, 任意) — パッチトランスフォーマーで使用するアテンションヘッドの数です。複数のビン構成の場合にのみ使用されます。

パラメータ

• do_convert_rgb (bool、kwargs、任意) — 画像を RGB に変換するかどうかを指定します。
• do_resize (bool、kwargs、任意、デフォルトはTrue) — 画像をリサイズするかどうか。
• size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs、デフォルトは {'height' -- 384, 'width': 512}): モデルへの最大入力サイズを指定します。
• default_to_square (bool、kwargs、任意、デフォルトは True) — size が int の場合、リサイズ時に正方形の画像をデフォルトとするかどうかを指定します。
• crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — center_crop を適用した後の出力画像のサイズ。
• resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, デフォルトは 2) — 画像のリサイズ時に使用するリサンプリングフィルタです。PILImageResampling の列挙型のいずれかを使用できます。do_resize が True に設定されている場合のみ、効果が現れます。
• do_rescale (bool、kwargs、任意、デフォルトはTrue) — 画像をリスケールするかどうかを指定します。
• rescale_factor (float、kwargs、任意、デフォルト値は 0.00392156862745098) — do_rescale が True に設定されている場合、画像をリスケールするための係数です。
• do_normalize (bool、kwargs、optional、デフォルトはTrue) — 画像を正規化するかどうかを指定します。
• image_mean (Union[float, list[float], tuple[float, ...]]、kwargs、任意、デフォルトは [0.5, 0.5, 0.5]) — 正規化に使用する画像の平均値。do_normalize が True に設定されている場合のみ有効です。
• image_std (Union[float, list[float], tuple[float, ...]]、kwargs、optional、デフォルト値は [0.5, 0.5, 0.5]) — 正規化に使用する画像の標準偏差。do_normalize が True に設定されている場合のみ有効です。
• do_pad (bool、kwargs、optional、デフォルトは True) — 画像をパディングするかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。具体的なパディング戦略はモデルによって異なります。
• pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — 画像をパディングする {"height": int, "width" int} のサイズです。前処理に提供されるすべての画像サイズより大きくなければなりません。pad_size が指定されない場合、バッチ内の最大の幅と高さにパディングされます。do_pad=True. の場合のみ適用されます。
• do_center_crop (bool, kwargs, optional) — 画像を中央クロップするかどうかを指定します。
• data_format (Union[str, ~image_utils.ChannelDimension]、kwargs、任意) — サポートされているのは ChannelDimension.FIRST のみです。slow processors との互換性のために追加されました。
• input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, 省略可) — 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推測されます。次のいずれかになります:
  • "channels_first" または ChannelDimension.FIRST: (num_channels, height, width) 形式の画像。
  • "channels_last" または ChannelDimension.LAST: (高さ, 幅, チャネル数) 形式の画像。
  • "none" または ChannelDimension.NONE: (height, width) 形式の画像。
• device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — 動画を処理するデバイスです。未設定の場合、入力動画からデバイスが推論されます。
• return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — 'pt' に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。
• disable_grouping (bool、kwargs、任意) — サイズごとに画像をグループ化してバッチ処理するのではなく、個別に処理するためにグループ化を無効にするかどうか。None の場合、画像が CPU にある場合は True、それ以外の場合は False に設定されます。この選択は、https://github.com/huggingface/transformers/pull/38157 に詳しく記載されている経験則に基づいています。
• image_seq_length (int、kwargs、任意) — 入力内の各画像に使用される画像トークンの数です。 後方互換性のために追加されましたが、将来のモデルではプロセッサの属性として設定されるべきです。
• keep_aspect_ratio (bool、kwargs、任意、デフォルトは self.keep_aspect_ratio) — True の場合、高さおよび幅の拡大縮小係数のうち小さい方を採用して、両方の次元に適用することで画像をリサイズします。これにより、希望する出力サイズ内に収まることを保ちつつ、画像を可能な限り小さく縮小せずに済みます。ensure_multiple_of も設定されている場合、高さと幅をこの値の倍数に切り捨てて、この値の倍数となるサイズにさらにリサイズされます。preprocess 内の keep_aspect_ratio によって上書きできます。
• ensure_multiple_of (int、kwargs、optional、デフォルト値は self.ensure_multiple_of) — do_resize が True の場合、画像はこの値の倍数となるサイズにリサイズされます。高さと幅をこの値の最も近い倍数に切り下げることで動作します。 keep_aspect_ratio が True に設定されている場合でも、設定されていない場合でも動作します。 preprocess 内の ensure_multiple_of によって上書きできます。

パラメータ

• do_convert_rgb (bool、kwargs、任意) — 画像を RGB に変換するかどうかを指定します。
• do_resize (bool、kwargs、任意、デフォルトはTrue) — 画像をリサイズするかどうか。
• size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs、デフォルトは {'height' -- 384, 'width': 512}): モデルへの最大入力サイズを指定します。
• default_to_square (bool、kwargs、任意、デフォルトは True) — size が int の場合、リサイズ時に正方形の画像をデフォルトとするかどうかを指定します。
• crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — center_crop を適用した後の出力画像のサイズ。
• resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, デフォルトは 2) — 画像のリサイズ時に使用するリサンプリングフィルタです。PILImageResampling の列挙型のいずれかを使用できます。do_resize が True に設定されている場合のみ、効果が現れます。
• do_rescale (bool、kwargs、任意、デフォルトはTrue) — 画像をリスケールするかどうかを指定します。
• rescale_factor (float、kwargs、任意、デフォルト値は 0.00392156862745098) — do_rescale が True に設定されている場合、画像をリスケールするための係数です。
• do_normalize (bool、kwargs、optional、デフォルトはTrue) — 画像を正規化するかどうかを指定します。
• image_mean (Union[float, list[float], tuple[float, ...]]、kwargs、任意、デフォルトは [0.5, 0.5, 0.5]) — 正規化に使用する画像の平均値。do_normalize が True に設定されている場合のみ有効です。
• image_std (Union[float, list[float], tuple[float, ...]]、kwargs、optional、デフォルト値は [0.5, 0.5, 0.5]) — 正規化に使用する画像の標準偏差。do_normalize が True に設定されている場合のみ有効です。
• do_pad (bool、kwargs、optional、デフォルトは True) — 画像をパディングするかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。具体的なパディング戦略はモデルによって異なります。
• pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — 画像をパディングする {"height": int, "width" int} のサイズです。前処理に提供されるすべての画像サイズより大きくなければなりません。pad_size が指定されない場合、バッチ内の最大の幅と高さにパディングされます。do_pad=True. の場合のみ適用されます。
• do_center_crop (bool, kwargs, optional) — 画像を中央クロップするかどうかを指定します。
• data_format (Union[str, ~image_utils.ChannelDimension]、kwargs、任意) — サポートされているのは ChannelDimension.FIRST のみです。slow processors との互換性のために追加されました。
• input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, 省略可) — 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推測されます。次のいずれかになります:
  • "channels_first" または ChannelDimension.FIRST: (num_channels, height, width) 形式の画像。
  • "channels_last" または ChannelDimension.LAST: (高さ, 幅, チャネル数) 形式の画像。
  • "none" または ChannelDimension.NONE: (height, width) 形式の画像。
• device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — 動画を処理するデバイスです。未設定の場合、入力動画からデバイスが推論されます。
• return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — 'pt' に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。
• disable_grouping (bool、kwargs、任意) — サイズごとに画像をグループ化してバッチ処理するのではなく、個別に処理するためにグループ化を無効にするかどうか。None の場合、画像が CPU にある場合は True、それ以外の場合は False に設定されます。この選択は、https://github.com/huggingface/transformers/pull/38157 に詳しく記載されている経験則に基づいています。
• image_seq_length (int、kwargs、任意) — 入力内の各画像に使用される画像トークンの数です。 後方互換性のために追加されましたが、将来のモデルではプロセッサの属性として設定されるべきです。
• keep_aspect_ratio (bool、kwargs、任意、デフォルトは self.keep_aspect_ratio) — True の場合、高さおよび幅の拡大縮小率のうち小さい方を採用し、両方の次元に適用して画像をリサイズします。これにより、希望する出力サイズ内に収まる範囲で、画像をできるだけ小さく縮小せずに済みます。ensure_multiple_of も設定されている場合、高さと幅をこの値の倍数に切り捨てて、この値の倍数となるサイズにさらにリサイズされます。preprocess の keep_aspect_ratio で上書きできます。
• ensure_multiple_of (int、kwargs、optional、デフォルト値は self.ensure_multiple_of) — do_resize が True の場合、画像はこの値の倍数となるサイズにリサイズされます。高さと幅をこの値の最も近い倍数に切り下げることで動作します。 keep_aspect_ratio が True に設定されている場合でも、設定されていない場合でも動作します。 preprocess 内の ensure_multiple_of によって上書きできます。

パラメータ

• config (ZoeDepthConfig) — モデルのパラメータをすべて含むモデル設定クラスです。設定ファイルで初期化しても、モデルに関連する重みは読み込まれず、設定のみが読み込まれます。モデルの重みをロードするには、from_pretrained() メソッドを参照してください。