# VidEoMT

## Tổng quan

Mô hình VidEoMT được đề xuất trong [Your ViT is Secretly Also a Video Segmentation Model](https://huggingface.co/papers/2602.17807) của Narges Norouzi, Idil Esen Zulfikar, Niccolò Cavagnero, Tommie Kerssies, Bastian Leibe, Gijs Dubbelman, Daan de Geus. Video Encoder-only Mask Transformer (VidEoMT) là một mô hình encoder-only nhẹ cho phân đoạn video trực tuyến, được xây dựng dựa trên [Vision Transformer (ViT)](vit) thuần túy. Đây là một mở rộng tối thiểu của [EoMT](./eomt) sang video, thực hiện cả suy luận không gian và thời gian bên trong bộ mã hóa ViT, mà không cần dựa vào các module theo dõi chuyên dụng hay các đầu ra (heads) đặc thù cho tác vụ nặng nề.

Tóm tắt từ bài báo như sau:

*Các mô hình phân đoạn video trực tuyến hiện tại thường kết hợp một bộ phân đoạn theo từng khung hình với các module theo dõi chuyên biệt phức tạp. Mặc dù hiệu quả, các module này gây ra độ phức tạp kiến trúc đáng kể và chi phí tính toán cao. Các nghiên cứu gần đây cho thấy rằng các bộ mã hóa Vision Transformer (ViT) thuần túy, khi được mở rộng với sức chứa đủ lớn và huấn luyện trước trên quy mô lớn, có thể thực hiện phân đoạn ảnh chính xác mà không cần các module chuyên biệt. Được truyền cảm hứng từ quan sát này, chúng tôi đề xuất Video Encoder-only Mask Transformer (VidEoMT), một mô hình phân đoạn video chỉ dùng bộ mã hóa đơn giản, loại bỏ nhu cầu về các module theo dõi chuyên dụng. Để cho phép mô hình hóa thời gian trong ViT chỉ dùng bộ mã hóa, VidEoMT giới thiệu một cơ chế lan truyền truy vấn nhẹ, mang thông tin qua các khung hình bằng cách tái sử dụng các truy vấn từ khung hình trước. Để cân bằng điều này với khả năng thích ứng với nội dung mới, nó sử dụng chiến lược kết hợp truy vấn, kết hợp các truy vấn được lan truyền với một tập hợp các truy vấn học được không phụ thuộc vào thời gian. Kết quả là, VidEoMT đạt được lợi ích của một bộ theo dõi mà không làm tăng độ phức tạp, đạt độ chính xác cạnh tranh trong khi nhanh hơn 5x--10x, chạy với tốc độ lên đến 160 FPS với bộ khung ViT-L.*

Mẹo:

- VidEoMT hiện chỉ hỗ trợ backbone DINOv2 (có register tokens). Các kích thước model khả dụng là ViT-S, ViT-B và ViT-L.
- Mô hình nhận đầu vào video dưới dạng tensor 5 chiều có hình dạng `(batch_size, num_frames, 3, height, width)`.
- VidEoMT hỗ trợ ba tác vụ phân đoạn video: phân đoạn **thực thể**, phân đoạn **thứ nghĩa** và phân đoạn **toàn cảnh**, mỗi tác vụ có một phương pháp xử lý hậu kỳ riêng trên bộ xử lý video.

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/videomt).

## Thông tin kiến trúc

VidEoMT được xây dựng dựa trên [EoMT](./eomt), trong đó tái sử dụng một Vision Transformer được huấn luyện trước bằng DINOv2 với **register tokens** như một mô hình phân đoạn. EoMT giới thiệu các **object queries** được học và một **mask prediction head** nhẹ ngay bên trong bộ mã hóa ViT, loại bỏ nhu cầu về các bộ giải mã dành riêng cho tác vụ.

VidEoMT mở rộng điều này cho video với hai bổ sung chính:

1. **Truyền lan truy vấn**: các truy vấn đối tượng từ khung hình trước được chuyển tiếp sang khung hình tiếp theo thông qua một phép chiếu tuyến tính (`query_updater`), cho phép suy luận theo thời gian mà không cần bộ theo dõi chuyên dụng.
2. **Kết hợp truy vấn**: các truy vấn được lan truyền được thêm vào một tập hợp các truy vấn học được không phụ thuộc vào thời gian, cho phép mô hình thích ứng với các đối tượng mới xuất hiện trong video.

Các lớp encoder ban đầu xử lý tất cả các khung hình một cách độc lập (song song), trong khi các khối cuối cùng hoạt động theo từng khung hình với các truy vấn đã hợp nhất, tạo ra các dự đoán về mặt nạ và lớp cho từng khung hình.

## Ví dụ sử dụng

Sử dụng bản triển khai VidEoMT của Hugging Face để suy luận với các mô hình đã được huấn luyện trước. Các ví dụ bên dưới tái sử dụng checkpoint công khai `tue-mps/videomt-dinov2-small-ytvis2019` để minh họa xử lý hậu kỳ cho video instance, semantic và panoptic trên một video mẫu.

### Phân đoạn thực thể video

```python
import matplotlib.pyplot as plt
import numpy as np
import torch

from transformers import AutoModelForUniversalSegmentation, AutoVideoProcessor
from transformers.video_utils import load_video

model_id = "tue-mps/videomt-dinov2-small-ytvis2019"
processor = AutoVideoProcessor.from_pretrained(model_id)
model = AutoModelForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

video_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/videos/pexels-allan-mas-5362370.mp4"
# Sample 8 frames to keep the example lightweight.
video_frames, _ = load_video(video_url, num_frames=8)

inputs = processor(videos=[video_frames], return_tensors="pt").to(model.device)

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

original_height, original_width = video_frames[0].shape[:2]
target_sizes = [(original_height, original_width)] * len(video_frames)

results = processor.post_process_instance_segmentation(
    outputs,
    target_sizes=target_sizes,
)

fig, axes = plt.subplots(2, 4, figsize=(16, 8))
for idx, (ax, frame, result) in enumerate(zip(axes.flatten(), video_frames, results)):
    ax.imshow(frame)
    seg = result["segmentation"].cpu().numpy()
    masked = np.ma.masked_where(seg == -1, seg)
    ax.imshow(masked, alpha=0.6, cmap="tab20")
    ax.set_title(f"Frame {idx}")
    ax.axis("off")
plt.suptitle("Video Instance Segmentation")
plt.tight_layout()
plt.show()
```

### Phân đoạn ngữ nghĩa video

```python
import matplotlib.pyplot as plt
import torch

from transformers import AutoModelForUniversalSegmentation, AutoVideoProcessor
from transformers.video_utils import load_video

model_id = "tue-mps/videomt-dinov2-small-ytvis2019"
processor = AutoVideoProcessor.from_pretrained(model_id)
model = AutoModelForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

video_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/videos/pexels-allan-mas-5362370.mp4"
# Sample 8 frames to keep the example lightweight.
video_frames, _ = load_video(video_url, num_frames=8)

inputs = processor(videos=[video_frames], return_tensors="pt").to(model.device)

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

original_height, original_width = video_frames[0].shape[:2]
target_sizes = [(original_height, original_width)] * len(video_frames)

preds = processor.post_process_semantic_segmentation(
    outputs,
    target_sizes=target_sizes,
)

fig, axes = plt.subplots(2, 4, figsize=(16, 8))
for idx, (ax, frame, seg_map) in enumerate(zip(axes.flatten(), video_frames, preds)):
    ax.imshow(frame)
    ax.imshow(seg_map.cpu().numpy(), alpha=0.6, cmap="tab20")
    ax.set_title(f"Frame {idx}")
    ax.axis("off")
plt.suptitle("Video Semantic Segmentation")
plt.tight_layout()
plt.show()
```

### Phân đoạn toàn cảnh video

```python
import matplotlib.pyplot as plt
import numpy as np
import torch

from transformers import AutoModelForUniversalSegmentation, AutoVideoProcessor
from transformers.video_utils import load_video

model_id = "tue-mps/videomt-dinov2-small-ytvis2019"
processor = AutoVideoProcessor.from_pretrained(model_id)
model = AutoModelForUniversalSegmentation.from_pretrained(model_id, device_map="auto")

video_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/videos/pexels-allan-mas-5362370.mp4"
# Sample 8 frames to keep the example lightweight.
video_frames, _ = load_video(video_url, num_frames=8)

inputs = processor(videos=[video_frames], return_tensors="pt").to(model.device)

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

original_height, original_width = video_frames[0].shape[:2]
target_sizes = [(original_height, original_width)] * len(video_frames)

results = processor.post_process_panoptic_segmentation(
    outputs,
    target_sizes=target_sizes,
)

fig, axes = plt.subplots(2, 4, figsize=(16, 8))
for idx, (ax, frame, result) in enumerate(zip(axes.flatten(), video_frames, results)):
    ax.imshow(frame)
    seg = result["segmentation"].cpu().numpy()
    masked = np.ma.masked_where(seg == -1, seg)
    ax.imshow(masked, alpha=0.6, cmap="tab20")
    ax.set_title(f"Frame {idx}")
    ax.axis("off")
plt.suptitle("Video Panoptic Segmentation")
plt.tight_layout()
plt.show()
```

## VideomtVideoProcessor[[transformers.VideomtVideoProcessor]]

#### transformers.VideomtVideoProcessor[[transformers.VideomtVideoProcessor]]

```python
transformers.VideomtVideoProcessor(**kwargs: *<class 'transformers.processing_utils.VideosKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/video_processing_videomt.py#L147)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'height' : 640, 'width': 640}`): Mô tả kích thước đầu vào tối đa cho mô hình.

default_to_square (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `2`) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.485, 0.456, 0.406]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0.229, 0.224, 0.225]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_center_crop (`bool`, *kwargs*, *optional*, mặc định là `False`) : Có nên cắt ảnh theo kiểu căn giữa hay không.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.

do_sample_frames (`bool`, *kwargs*, *optional*, mặc định là `False`) : Xác định xem có lấy mẫu các khung hình từ video trước khi xử lý hay xử lý toàn bộ video.

video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Metadata của video, chứa thông tin về tổng thời lượng, fps và tổng số khung hình. Dữ liệu này sẽ được sử dụng để lấy mẫu các khung hình từ video hoặc tính toán mốc thời gian. Không truyền bất kỳ metadata nào trừ khi bạn đang cố gắng giải mã video thủ công trước khi xử lý

fps (`Annotated[int | float | None, None]`, *kwargs*) : Số khung hình mục tiêu cần lấy mẫu mỗi giây khi `do_sample_frames=True`.

num_frames (`Annotated[int | None, None]`, *kwargs*) : Số khung hình tối đa cần lấy mẫu khi `do_sample_frames=True`.

return_metadata (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `False`) : Có trả về metadata của video hay không. Video metadata là một đối tượng chứa thông tin về thời lượng video, fps, backend giải mã, v.v.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Nếu được đặt, sẽ trả về các tensor của một framework cụ thể. Các giá trị chấp nhận được là: - `'pt'`: Trả về các đối tượng `torch.Tensor` của PyTorch. - `'np'`: Trả về các đối tượng `np.ndarray` của NumPy.

- ****kwargs** ([VideosKwargs](/docs/transformers/v5.24.0/vi/main_classes/processors#transformers.VideosKwargs), *optional*) : Các tùy chọn xử lý bổ sung cho từng phương thức (text, hình ảnh, video, âm thanh). Các tham số cụ thể của model được liệt kê ở trên; xem lớp TypedDict để biết danh sách đầy đủ các đối số được hỗ trợ.

Tạo một trình xử lý video VideomtVideoProcessor.

#### post_process_semantic_segmentation[[transformers.VideomtVideoProcessor.post_process_semantic_segmentation]]

```python
post_process_semantic_segmentation(outputs, target_sizes: list[tuple[int, int]], return_segmentation_scores: bool = False)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/video_processing_videomt.py#L178)

**Tham số:**

outputs (`VideomtForUniversalSegmentationOutput`) : Đầu ra thô của mô hình.

target_sizes (`list[tuple[int, int]]`) : Danh sách các tuple `(height, width)` tương ứng với kích thước cuối cùng được yêu cầu của mỗi dự đoán. Độ dài phải khớp với số lượng khung hình trong đầu ra.

return_segmentation_scores (`bool`, *tùy chọn*, mặc định là `False`) : Có nên trả về điểm phân đoạn cùng với bản đồ phân đoạn hay không. Khi `True`, mỗi phần tử của danh sách được trả về là một `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`).

**Trả về:** `list[torch.Tensor]` hoặc `list[SemanticSegmentationPostProcessorOutput]`

Khi `return_segmentation_scores=False` (mặc định), một danh sách có độ dài `batch_size` trong đó mỗi phần tử là một bản đồ phân đoạn có hình dạng `(height, width)` với các ID lớp. Khi `return_segmentation_scores=True`, một danh sách `SemanticSegmentationPostProcessorOutput` với các trường `segmentation` (các ID lớp, hình dạng `(height, width)`) và `segmentation_scores` (hình dạng `(num_classes, height, width)`). Trong cả hai trường hợp, `(height, width)` tương ứng với kích thước đích.

Chuyển đổi đầu ra của [VideomtForUniversalSegmentation](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtForUniversalSegmentation) thành các dự đoán phân đoạn ngữ nghĩa.

#### post_process_instance_segmentation[[transformers.VideomtVideoProcessor.post_process_instance_segmentation]]

```python
post_process_instance_segmentation(outputs, target_sizes: list[tuple[int, int]], threshold: float = 0.5)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/video_processing_videomt.py#L232)

**Tham số:**

outputs (`VideomtForUniversalSegmentationOutput`) : Đầu ra thô của mô hình.

target_sizes (`list[tuple[int, int]]`) : Danh sách các tuple `(height, width)` tương ứng với kích thước cuối cùng được yêu cầu của mỗi dự đoán. Độ dài phải khớp với số lượng khung hình trong đầu ra.

threshold (`float`, *tuỳ chọn*, mặc định là 0.5) : Điểm tổng hợp tối thiểu để giữ một instance.

**Trả về:** `list[dict]`

Một danh sách các dict (một dict cho mỗi khung hình), mỗi dict chứa:
- `"segmentation"` -- Một `torch.Tensor` có hình dạng `(height, width)` chứa các ID của instance (hoặc -1 cho nền).
- `"segments_info"` -- Một danh sách các dict chứa `"id"`, `"label_id"` và `"score"` cho mỗi instance.

Chuyển đổi đầu ra của [VideomtForUniversalSegmentation](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtForUniversalSegmentation) thành các dự đoán phân đoạn đối tượng.

#### post_process_panoptic_segmentation[[transformers.VideomtVideoProcessor.post_process_panoptic_segmentation]]

```python
post_process_panoptic_segmentation(outputs, target_sizes: list[tuple[int, int]], threshold: float = 0.8, mask_threshold: float = 0.5, overlap_mask_area_threshold: float = 0.8, label_ids_to_fuse: set[int] | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/video_processing_videomt.py#L301)

**Tham số:**

outputs (`VideomtForUniversalSegmentationOutput`) : Đầu ra thô của mô hình.

target_sizes (`list[tuple[int, int]]`) : Danh sách các tuple `(height, width)` tương ứng với kích thước cuối cùng được yêu cầu của mỗi dự đoán. Độ dài phải khớp với số lượng khung hình trong đầu ra.

threshold (`float`, *tuỳ chọn*, mặc định là 0.8) : Điểm tối thiểu để giữ lại một đoạn được dự đoán.

mask_threshold (`float`, *tuỳ chọn*, mặc định là 0.5) : Ngưỡng để nhị phân hóa xác suất của mặt nạ.

overlap_mask_area_threshold (`float`, *tuỳ chọn*, mặc định là 0.8) : Ngưỡng chồng chéo để gộp các mặt nạ thành một phân đoạn duy nhất.

label_ids_to_fuse (`set[int]`, *tùy chọn*) : Các ID nhãn cần được hợp nhất giữa các vùng không liên thông.

**Trả về:** `list[dict]`

Một danh sách các dict (một dict cho mỗi khung hình), mỗi dict chứa:
- `"segmentation"` -- Một `torch.Tensor` có hình dạng `(height, width)` chứa các ID phân đoạn (hoặc -1 cho nền).
- `"segments_info"` -- Một danh sách các dict chứa `"id"`, `"label_id"` và `"score"` cho mỗi phân đoạn.

Chuyển đổi đầu ra của [VideomtForUniversalSegmentation](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtForUniversalSegmentation) thành các dự đoán phân đoạn panoptic.

## VideomtConfig[[transformers.VideomtConfig]]

#### transformers.VideomtConfig[[transformers.VideomtConfig]]

```python
transformers.VideomtConfig(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, mlp_ratio: int = 4, layerscale_value: float = 1.0, drop_path_rate: float | int = 0.0, num_upscale_blocks: int = 2, attention_dropout: float | int = 0.0, use_swiglu_ffn: bool = False, 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)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/configuration_videomt.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.

mlp_ratio (`int`, *tuỳ chọn*, mặc định là `4`) : Tỷ lệ giữa chiều ẩn của MLP và chiều nhúng.

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.

use_swiglu_ffn (`bool`, *tùy chọn*, mặc định là `False`) : Có sử dụng mạng nơ-ron tiền xử lý SwiGLU hay không.

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 tổn thất cho các mục tiêu phân loại.

mask_weight (`float`, *tuỳ chọn*, mặc định là 5.0) : Trọng số loss cho việc dự đoán mask.

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.

Đây là lớp cấu hình để lưu trữ cấu hình của một VideomtModel. Nó được sử dụng để khởi tạo một mô hình Videomt 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/videomt-dinov2-small-ytvis2019](https://huggingface.co/tue-mps/videomt-dinov2-small-ytvis2019)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.24.0/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/v5.24.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import VideomtConfig, VideomtForUniversalSegmentation

>>> # Initialize configuration
>>> config = VideomtConfig()

>>> # Initialize model
>>> model = VideomtForUniversalSegmentation(config)

>>> # Access config
>>> config = model.config
```

## VideomtPreTrainedModel[[transformers.VideomtPreTrainedModel]]

#### transformers.VideomtPreTrainedModel[[transformers.VideomtPreTrainedModel]]

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

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/modeling_videomt.py#L924)

**Tham số:**

config ([PreTrainedConfig](/docs/transformers/v5.24.0/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/v5.24.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.24.0/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.VideomtPreTrainedModel.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.

## VideomtForUniversalSegmentation[[transformers.VideomtForUniversalSegmentation]]

#### transformers.VideomtForUniversalSegmentation[[transformers.VideomtForUniversalSegmentation]]

```python
transformers.VideomtForUniversalSegmentation(config: VideomtConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.24.0/src/transformers/models/videomt/modeling_videomt.py#L1043)

**Tham số:**

config ([VideomtConfig](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtConfig)) : 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/v5.24.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số của mô hình.

Mô hình Videomt có head ở trên cùng cho phân đoạn instance/semantic/panoptic.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.24.0/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.VideomtForUniversalSegmentation.forward]]

```python
forward(pixel_values_videos: typing.Optional[torch.Tensor] = None, 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/v5.24.0/src/transformers/models/videomt/modeling_videomt.py#L1102)

**Tham số:**

pixel_values_videos (`torch.Tensor`, *tùy chọn*) : Đầu vào video có hình dạng `(batch_size, num_frames, num_channels, height, width)`.

mask_labels (`list[torch.Tensor]`, *tùy chọn*) : Không hỗ trợ cho đầu vào video 5D.

class_labels (`list[torch.LongTensor]`, *tùy chọn*) : Không hỗ trợ cho đầu vào video 5D.

patch_offsets (`list[torch.Tensor]`, *tùy chọn*) : Không được sử dụng cho đầu vào video và chỉ được giữ lại để đảm bảo tính tương thích theo module.

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

Một `VideomtForUniversalSegmentationOutput` 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 ([VideomtConfig](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtConfig)) và đầu vào.

Phương thức forward của [VideomtForUniversalSegmentation](/docs/transformers/v5.24.0/vi/model_doc/videomt#transformers.VideomtForUniversalSegmentation) 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.

