# MobileViTV2

## 개요

MobileViTV2 모델은 Sachin Mehta와 Mohammad Rastegari가 [Separable Self-attention for Mobile Vision Transformers](https://huggingface.co/papers/2206.02680)에서 제안했습니다.

MobileViTV2는 MobileViT의 두 번째 버전으로, MobileViT의 multi-headed self-attention을 separable self-attention으로 대체하여 구성되었습니다.

해당 논문의 초록은 다음과 같습니다:

*Mobile vision transformers(MobileViT)는 분류 및 감지를 포함한 여러 모바일 비전 작업에서 최첨단 성능을 달성할 수 있습니다. 이러한 모델은 매개변수가 적지만, 합성곱 신경망 기반 모델에 비해 지연 시간이 높습니다. MobileViT의 주요 효율성 병목은 transformer의 multi-headed self-attention(MHA)으로, 토큰(또는 패치) 수 k에 대해 O(k2)의 시간 복잡도를 요구합니다. 또한 MHA는 self-attention을 계산하기 위해 비용이 높은 연산(예: 배치 단위 행렬 곱셈)을 필요로 하여, 리소스가 제한된 장치에서 지연 시간에 영향을 미칩니다. 이 논문은 선형 복잡도, 즉 O(k)를 갖는 분리 가능한 self-attention 방법을 소개합니다. 제안된 방법의 단순하면서도 효과적인 특징은 self-attention을 계산할 때 요소별 연산을 사용한다는 점으로, 이는 리소스가 제한된 장치에 적합한 선택입니다. 개선된 모델인 MobileViTV2는 ImageNet 객체 분류와 MS-COCO 객체 감지를 포함한 여러 모바일 비전 작업에서 최첨단 성능을 보입니다. 약 300만 개의 매개변수를 가진 MobileViTV2는 ImageNet 데이터셋에서 75.6%의 top-1 정확도를 달성하여, 모바일 장치에서 3.2배 더 빠르게 실행되면서도 MobileViT보다 약 1% 높은 성능을 보입니다.*

이 모델은 [shehan97](https://huggingface.co/shehan97)님이 기여했습니다. 원본 코드는 [여기](https://github.com/apple/ml-cvnets)에서 찾을 수 있습니다.

## 사용 팁

- MobileViTV2는 Transformer 모델보다는 CNN에 더 가깝습니다. 시퀀스 데이터가 아니라 이미지 배치에 적용됩니다. ViT와 달리 임베딩이 없습니다. 백본 모델은 특징 맵을 출력합니다.
- [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용하여 모델에 사용할 이미지를 준비할 수 있습니다. 직접 전처리(preprocessing)를 수행하는 경우, 사전 학습된 체크포인트는 이미지가 BGR 픽셀 순서(RGB가 아님)로 제공되기를 기대한다는 점에 유의하세요.
- 사용 가능한 이미지 분류 체크포인트는 [ImageNet-1k](https://huggingface.co/datasets/ILSVRC/imagenet-1k)(ILSVRC 2012라고도 하며, 130만 개의 이미지와 1,000개의 클래스로 구성된 데이터셋)에서 사전 학습되었습니다.
- 분할 모델은 [DeepLabV3](https://huggingface.co/papers/1706.05587) 헤드를 사용합니다. 사용 가능한 의미론적 분할 체크포인트는 [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/)로 사전 학습되었습니다.

## MobileViTV2Config[[transformers.MobileViTV2Config]]

#### transformers.MobileViTV2Config[[transformers.MobileViTV2Config]]

```python
transformers.MobileViTV2Config(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, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 256, patch_size: int | list[int] | tuple[int, int] = 2, expand_ratio: float = 2.0, hidden_act: str = 'swish', conv_kernel_size: int = 3, output_stride: int = 32, classifier_dropout_prob: float | int = 0.1, initializer_range: float = 0.02, layer_norm_eps: float = 1e-05, aspp_out_channels: int = 512, atrous_rates: list[int] | tuple[int, ...] = (6, 12, 18), aspp_dropout_prob: float | int = 0.1, semantic_loss_ignore_index: int = 255, n_attn_blocks: list[int] | tuple[int, ...] = (2, 4, 3), base_attn_unit_dims: list[int] | tuple[int, ...] = (128, 192, 256), width_multiplier: float | int = 1.0, ffn_multiplier: int = 2, attn_dropout: float | int = 0.0, ffn_dropout: float | int = 0.0)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/configuration_mobilevitv2.py#L24)

**매개변수:**

num_channels (`int`, *선택 사항*, 기본값 `3`) : 입력 채널의 수입니다.

image_size (`Union[int, list[int], tuple[int, int]]`, *선택 사항*, 기본값 `256`) : 각 이미지의 크기(해상도).

patch_size (`Union[int, list[int], tuple[int, int]]`, *선택 사항*, 기본값 `2`) : 각 패치의 크기(해상도).

expand_ratio (`float`, *선택 사항*, 기본값 `2.0`) : 확장을 위한 출력 차원을 설정할 확장 비율

hidden_act (`str`, *선택 사항*, 기본값 `swish`) : 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등이 있습니다.

conv_kernel_size (`int`, *선택 사항*, 기본값 `3`) : 컨볼루션 커널의 크기입니다.

output_stride (`int`, *선택 사항*, 기본값 `32`) : 입력 및 출력 특징 맵의 공간 해상도 비율입니다.

classifier_dropout_prob (`Union[float, int]`, *선택 사항*, 기본값 `0.1`) : 분류기의 dropout 비율입니다.

initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다.

layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-05`) : layer normalization 레이어에서 사용되는 epsilon 값입니다.

aspp_out_channels (`int`, *선택 사항*, 기본값 512) : 의미 분할을 위한 ASPP 레이어에서 사용되는 출력 채널 수.

atrous_rates (`list[int]`, *선택 사항*, 기본값 `[6, 12, 18]`) : 의미 분할을 위한 ASPP 레이어에서 사용되는 Dilation(atrous) 계수입니다.

aspp_dropout_prob (`float`, *선택 사항*, 기본값 0.1) : 의미 분할을 위한 ASPP 레이어의 dropout 비율입니다.

semantic_loss_ignore_index (`int`, *선택 사항*, 기본값 `255`) : 시맨틱 세그멘테이션 모델의 손실 함수가 무시하는 인덱스입니다.

n_attn_blocks (`list[int]`, *선택 사항*, 기본값 `[2, 4, 3]`) : 각 MobileViTV2Layer의 attention 블록 수

base_attn_unit_dims (`list[int]`, *선택 사항*, 기본값 `[128, 192, 256]`) : 각 MobileViTV2Layer의 attention 블록 차원 기본 배율

width_multiplier (`float`, *선택 사항*, 기본값 1.0) : MobileViTV2의 폭 배율입니다.

ffn_multiplier (`int`, *선택 사항*, 기본값 2) : MobileViTV2의 FFN 배율입니다.

attn_dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.0`) : attention 확률에 적용할 dropout 비율입니다.

ffn_dropout (`float`, *선택 사항*, 기본값 0.0) : FFN 레이어 사이의 dropout 값입니다.

이것은 MobileViTV2Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Mobilevitv2 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [apple/mobilevitv2-1.0](https://huggingface.co/apple/mobilevitv2-1.0)의 구성과 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/v5.23.0/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

예:

```python
>>> from transformers import MobileViTV2Config, MobileViTV2Model

>>> # Initializing a mobilevitv2-small style configuration
>>> configuration = MobileViTV2Config()

>>> # Initializing a model from the mobilevitv2-small style configuration
>>> model = MobileViTV2Model(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## MobileViTV2Model[[transformers.MobileViTV2Model]]

#### transformers.MobileViTV2Model[[transformers.MobileViTV2Model]]

```python
transformers.MobileViTV2Model(config: MobileViTV2Config, expand_output: bool = True)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L590)

**매개변수:**

config ([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

expand_output (`bool`, *선택 사항*, 기본값 `True`) : 모델의 출력을 확장할지 여부입니다. `True`인 경우, 모델은 hidden states 외에도 pooled features를 출력합니다. `False`인 경우, hidden states만 반환됩니다.

특정 헤드가 위에 없는 맨 Mobilevitv2 모델로, 원시 hidden-states를 출력합니다.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.MobileViTV2Model.forward]]

```python
forward(pixel_values: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L619)

**매개변수:**

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`, *선택 사항*) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [MobileViTImageProcessor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 (`processor_class`는 이미지 처리에 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용합니다).

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

**반환값:** `BaseModelOutputWithPoolingAndNoAttention` 또는 `tuple(torch.Tensor)`

`BaseModelOutputWithPoolingAndNoAttention` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우)로, 구성([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config)) 및 입력에 따라 다양한 요소를 포함합니다.

[MobileViTV2Model](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Model)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, num_channels, height, width)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 공간 차원에 대해 풀링 연산을 수행한 후의 마지막 레이어 hidden-state입니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 모양은 `(batch_size, num_channels, height, width)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.

예:

```python
```

## MobileViTV2ForImageClassification[[transformers.MobileViTV2ForImageClassification]]

#### transformers.MobileViTV2ForImageClassification[[transformers.MobileViTV2ForImageClassification]]

```python
transformers.MobileViTV2ForImageClassification(config: MobileViTV2Config)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L669)

**매개변수:**

config ([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

MobileViTV2 모델 위에 이미지 분류 헤더(풀링된 특징 위에 선형 레이어)를 추가한 형태, 예: ImageNet.

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.MobileViTV2ForImageClassification.forward]]

```python
forward(pixel_values: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, labels: typing.Optional[torch.Tensor] = None, return_dict: bool | None = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L687)

**매개변수:**

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`, *선택 사항*) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [MobileViTImageProcessor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 (`processor_class`는 이미지 처리에 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용합니다).

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

labels (`torch.LongTensor`, shape `(batch_size,)`, *선택 사항*) : 이미지 분류/회귀 손실을 계산하는 데 사용되는 라벨. 인덱스는 `[0, ..., config.num_labels - 1]` 범위에 있어야 합니다. `config.num_labels == 1`인 경우 회귀 손실(평균 제곱 손실)이 계산되고, `config.num_labels > 1`인 경우 분류 손실(크로스 엔트로피)이 계산됩니다.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

**반환값:** [ImageClassifierOutputWithNoAttention](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.ImageClassifierOutputWithNoAttention) 또는 `tuple(torch.Tensor)`

구성([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config))과 입력에 따라 다양한 요소를 포함하는 [ImageClassifierOutputWithNoAttention](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.ImageClassifierOutputWithNoAttention) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MobileViTV2ForImageClassification](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2ForImageClassification)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **loss** (`torch.Tensor`, shape `(1,)`, *선택*, `labels`이 제공될 때 반환됨) -- 분류(또는 config.num_labels==1인 경우 회귀) 손실.
- **logits** (`torch.Tensor`, shape `(batch_size, config.num_labels)`) -- SoftMax 적용 전 분류(또는 config.num_labels==1인 경우 회귀) 점수.
- **hidden_states** (`tuple(torch.Tensor)`, *선택*, `output_hidden_states=True`가 전달되거나 `config.output_hidden_states=True`인 경우 반환) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력용 1개 + 각 단계 출력용 1개)로, shape은 `(batch_size, num_channels, height, width)`입니다. 각 단계 출력 시점의 모델 hidden-states(또는 feature maps)입니다.

예:

```python
>>> from transformers import AutoImageProcessor, MobileViTV2ForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("apple/mobilevitv2-1.0")
>>> model = MobileViTV2ForImageClassification.from_pretrained("apple/mobilevitv2-1.0")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
...
```

## MobileViTV2ForSemanticSegmentation[[transformers.MobileViTV2ForSemanticSegmentation]]

#### transformers.MobileViTV2ForSemanticSegmentation[[transformers.MobileViTV2ForSemanticSegmentation]]

```python
transformers.MobileViTV2ForSemanticSegmentation(config: MobileViTV2Config)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L838)

**매개변수:**

config ([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

Pascal VOC과 같은 작업에 사용할 수 있도록 시맨틱 세그멘테이션 헤드가 위에 연결된 MobileViTV2 모델

이 모델은 [PreTrainedModel](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.MobileViTV2ForSemanticSegmentation.forward]]

```python
forward(pixel_values: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[소스](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mobilevitv2/modeling_mobilevitv2.py#L849)

**매개변수:**

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`, *선택 사항*) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [MobileViTImageProcessor.__call__()](/docs/transformers/v5.23.0/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 (`processor_class`는 이미지 처리에 [MobileViTImageProcessor](/docs/transformers/v5.23.0/ko/model_doc/mobilevit#transformers.MobileViTImageProcessor)를 사용합니다).

labels (`torch.LongTensor`, shape `(batch_size, height, width)`, *선택 사항*) : 손실을 계산하기 위한 ground truth semantic segmentation 맵입니다. 인덱스는 `[0, ..., config.num_labels - 1]` 범위에 있어야 합니다. `config.num_labels > 1`인 경우, 분류 손실(Cross-Entropy)이 계산됩니다.

output_hidden_states (`bool`, *선택 사항*) : 모든 레이어의 hidden states를 반환할지 여부. 자세한 내용은 반환되는 텐서 중 `hidden_states` 항목을 참조하세요.

return_dict (`bool`, *선택 사항*) : 일반 튜플 대신 [ModelOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.utils.ModelOutput)를 반환할지 여부.

**반환값:** [SemanticSegmenterOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.SemanticSegmenterOutput) 또는 `tuple(torch.Tensor)`

구성([MobileViTV2Config](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2Config))과 입력에 따라 다양한 요소를 포함하는 [SemanticSegmenterOutput](/docs/transformers/v5.23.0/ko/main_classes/output#transformers.modeling_outputs.SemanticSegmenterOutput) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MobileViTV2ForSemanticSegmentation](/docs/transformers/v5.23.0/ko/model_doc/mobilevitv2#transformers.MobileViTV2ForSemanticSegmentation)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **loss** (`torch.Tensor`, shape `(1,)`, *선택*, `labels`이 제공될 때 반환됨) -- 분류(또는 config.num_labels==1인 경우 회귀) 손실.
- **logits** (shape `(batch_size, config.num_labels, logits_height, logits_width)`의 `torch.Tensor`) -- 각 픽셀에 대한 분류 점수입니다.

  

  반환되는 logits는 입력으로 전달된 `pixel_values`와 반드시 동일한 크기를 갖지 않습니다. 이는 사용자가 후처리 단계에서 logits를 원본 이미지 크기로 리사이즈할 때 두 번의 보간을 수행하여 품질이 저하되는 것을 방지하기 위한 것입니다. 항상 logits의 shape을 확인하고 필요에 따라 리사이즈해야 합니다.

  
- **hidden_states** (`tuple(torch.Tensor)`, *선택*, `output_hidden_states=True`가 전달되거나 `config.output_hidden_states=True`일 때 반환) -- shape가 `(batch_size, patch_size, hidden_size)`인 `torch.Tensor`의 튜플 (모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개).

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환) -- 각 레이어당 하나씩, shape가 `(batch_size, num_heads, patch_size, sequence_length)`인 `torch.Tensor`의 튜플.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

예:

```python
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> import torch
>>> from PIL import Image
>>> from transformers import AutoImageProcessor, MobileViTV2ForSemanticSegmentation

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> image_processor = AutoImageProcessor.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")
>>> model = MobileViTV2ForSemanticSegmentation.from_pretrained("apple/mobilevitv2-1.0-imagenet1k-256")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> # logits are of shape (batch_size, num_labels, height, width)
>>> logits = outputs.logits
```

