# SAM3-LiteText ## 개요 SAM3-LiteText는 Chengxi Zeng, Yuxuan Jiang, Ge Gao, Shuai Wang, Duolikun Danier, Bin Zhu, Stevan Rudinac, David Bull, Fan Zhang이 [SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation](https://huggingface.co/papers/2602.12173)에서 제안했습니다. SAM3-LiteText는 [SAM3](sam3)의 경량화 변형으로, 무거운 SAM3 텍스트 인코더(353M 파라미터)를 지식 증류(knowledge distillation)를 통해 최적화된 컴팩트한 MobileCLIP 기반 텍스트 인코더로 대체합니다. SAM3 ViT-H 이미지 인코더는 그대로 유지됩니다. 이를 통해 텍스트 인코더의 파라미터를 최대 88%까지 줄이면서, 원본 모델과 동등한 수준의 분할 성능을 유지합니다. 해당 논문의 초록은 다음과 같습니다: *SAM3과 같은 비전-언어 분할 모델은 유연하고 프롬프트 기반의 시각적 그라운딩을 가능하게 하지만, 오픈엔디드 언어 이해를 위해 원래 설계된 대규모 범용 텍스트 인코더를 그대로 계승합니다. 실제로 분할 프롬프트는 짧고 구조화되며 의미적으로 제한적이므로, 텍스트 인코더 용량에 상당한 과잉 프로비저닝이 발생하고 지속적인 계산 및 메모리 오버헤드가 유지됩니다. 본 논문에서는 여러 벤치마크에 걸친 404,796개의 실제 프롬프트를 대상으로 비전-언어 분할에서의 텍스트 프롬프팅에 대한 대규모 해부학적 분석을 수행합니다. 분석 결과, 심각한 중복성이 드러났습니다. 대부분의 컨텍스트 윈도우가 과소 활용되고, 어휘 사용이 매우 희소하며, 고차원 표현에도 불구하고 텍스트 임베딩은 저차원 다양체 위에 위치합니다. 이러한 발견에 착안하여, 우리는 원래의 SAM3 텍스트 인코더를 지식 증류로 최적화된 컴팩트한 MobileCLIP 학생 모델로 대체하는 경량 텍스트 인코딩 프레임워크인 SAM3-LiteText를 제안합니다. 이미지 및 비디오 분할 벤치마크에 대한 광범위한 실험 결과, SAM3-LiteText는 텍스트 인코더 매개변수를 최대 88%까지 줄여 정적 메모리 풋프린트를 크게 감소시키면서도 원래 모델과 동등한 분할 성능을 유지하는 것으로 나타났습니다.* 텍스트 인코더 아키텍처는 [MobileCLIP](https://huggingface.co/papers/2311.17049)에 기반하며 세 가지 변형으로 제공됩니다: | 변형 | 텍스트 인코더 | 텍스트 매개변수 | 축소 | |---|---|---|---| | SAM3-LiteText-S0-16 | MobileCLIP-S0 | 42.54M | ~88% | | SAM3-LiteText-S1-16 | MobileCLIP-S1 | 63.53M | ~82% | | SAM3-LiteText-L-16 | MobileCLIP2-L | 123.80M | ~65% | 이 모델은 [nielsr](https://huggingface.co/nielsr)와 [yonigozlan](https://huggingface.co/yonigozlan)이 기여했습니다. 원본 코드는 [여기](https://github.com/SimonZeng7108/efficientsam3/tree/sam3_litetext)에서 찾을 수 있습니다. ## 사용 SAM3-LiteText는 경량 텍스트 인코더를 사용하는 SAM3의 대체품입니다. 동일한 프로세서([Sam3Processor](/docs/transformers/main/ko/model_doc/sam3#transformers.Sam3Processor))를 사용하며 동일한 프롬프팅 인터페이스를 지원합니다. 텍스트 프롬프트, 박스 프롬프트, 배치 추론 등 자세한 사용 예제는 [SAM3 문서](sam3)를 참고하세요. ```python from io import BytesIO from huggingface_hub.utils import httpx from PIL import Image from transformers import AutoModel, AutoProcessor model = AutoModel.from_pretrained("yonigozlan/sam3-litetext-s0", device_map="auto") processor = AutoProcessor.from_pretrained("yonigozlan/sam3-litetext-s0") image_url = "http://images.cocodataset.org/val2017/000000077595.jpg" image = Image.open(BytesIO(httpx.get(image_url).content)).convert("RGB") inputs = processor(images=image, text="ear", return_tensors="pt").to(model.device) outputs = model(**inputs) results = processor.post_process_instance_segmentation( outputs, threshold=0.5, mask_threshold=0.5, target_sizes=inputs.get("original_sizes").tolist(), )[0] print(f"Found {len(results['masks'])} objects") ``` ## Sam3LiteTextConfig[[transformers.Sam3LiteTextConfig]] #### transformers.Sam3LiteTextConfig[[transformers.Sam3LiteTextConfig]] ```python transformers.Sam3LiteTextConfig(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, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, geometry_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, detr_encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, detr_decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, mask_decoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, initializer_range: float = 0.02) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L145) **매개변수:** vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 비전 백본의 config 객체 또는 사전 정의된 config 딕셔너리입니다. text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 텍스트 백본의 config 객체 또는 사전입니다. geometry_encoder_config (`dict` 또는 `Sam3LiteTextGeometryEncoderConfig`, *선택 사항*) : geometry encoder의 설정입니다. detr_encoder_config (`dict` 또는 `Sam3LiteTextDETREncoderConfig`, *선택 사항*) : DETR 인코더에 대한 설정입니다. detr_decoder_config (`dict` 또는 `Sam3LiteTextDETRDecoderConfig`, *선택 사항*) : DETR 디코더에 대한 설정입니다. mask_decoder_config (`dict` 또는 `Sam3LiteTextMaskDecoderConfig`, *선택 사항*) : 마스크 디코더에 대한 설정입니다. initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다. 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. 예: ```python >>> from transformers import Sam3LiteTextConfig, Sam3LiteTextModel >>> # Initializing a SAM3_LITE_TEXT configuration >>> configuration = Sam3LiteTextConfig() >>> # Initializing a model from the configuration >>> model = Sam3LiteTextModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config ``` ## Sam3LiteTextTextConfig[[transformers.Sam3LiteTextTextConfig]] #### transformers.Sam3LiteTextTextConfig[[transformers.Sam3LiteTextTextConfig]] ```python transformers.Sam3LiteTextTextConfig(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, vocab_size: int = 49408, hidden_size: int = 512, intermediate_size: int = 2048, projection_dim: int = 512, num_hidden_layers: int = 12, num_attention_heads: int = 8, max_position_embeddings: int = 77, hidden_act: str = 'gelu', layer_norm_eps: float = 1e-05, attention_dropout: float = 0.0, use_repmixer_blocks: bool = True, layer_scale_init_value: float = 1e-05, repmixer_kernel_size: int = 11) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L115) **매개변수:** vocab_size (`int`, *선택 사항*, 기본값 `49408`) : 모델의 어휘 크기입니다. `input_ids`로 표현할 수 있는 서로 다른 토큰의 수를 정의합니다. hidden_size (`int`, *선택 사항*, 기본값 `512`) : 숨겨진 표현의 차원. intermediate_size (`int`, *선택 사항*, 기본값 `2048`) : MLP 표현의 차원. projection_dim (`int`, *선택 사항*, 기본값 `512`) : 텍스트 및 비전 투영 레이어의 차원. num_hidden_layers (`int`, *선택 사항*, 기본값 `12`) : Transformer decoder의 숨겨진 레이어 수입니다. num_attention_heads (`int`, *선택 사항*, 기본값 `8`) : Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. max_position_embeddings (`int`, *선택 사항*, 기본값 `77`) : 이 모델이 사용될 수 있는 최대 시퀀스 길이입니다. hidden_act (`str`, *선택 사항*, 기본값 `gelu`) : 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등이 있습니다. layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-05`) : layer normalization 레이어에서 사용되는 epsilon 값입니다. attention_dropout (`float`, *선택 사항*, 기본값 `0.0`) : attention 확률에 적용할 dropout 비율입니다. use_repmixer_blocks (`bool`, *선택 사항*, 기본값 `True`) : 첫 번째와 마지막 인코더 레이어에 RepMixer 블록(MobileCLIP 스타일)을 사용할지 여부입니다. `False`인 경우 모든 레이어가 표준 Transformer 인코더 레이어가 됩니다. layer_scale_init_value (`float`, *선택 사항*, 기본값 `1e-5`) : RepMixer 블록(잔차 분기)의 학습 가능한 layer-scale 매개변수의 초기 값입니다. repmixer_kernel_size (`int`, *선택 사항*, 기본값 `11`) : RepMixer 블록의 depthwise convolution에 사용되는 커널 크기(token mixer 및 convolutional feed-forward 경로). 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. ## Sam3LiteTextGeometryEncoderConfig[[transformers.Sam3LiteTextGeometryEncoderConfig]] #### transformers.Sam3LiteTextGeometryEncoderConfig[[transformers.Sam3LiteTextGeometryEncoderConfig]] ```python transformers.Sam3LiteTextGeometryEncoderConfig(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 = 256, num_layers: int = 3, num_attention_heads: int = 8, intermediate_size: int = 2048, dropout: float | int = 0.1, hidden_act: str = 'relu', hidden_dropout: float | int = 0.0, layer_norm_eps: float = 1e-06, roi_size: int = 7, initializer_range: float = 0.02) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L30) **매개변수:** hidden_size (`int`, *선택 사항*, 기본값 `256`) : 숨겨진 표현의 차원. num_layers (`int`, *선택 사항*, 기본값 `3`) : Transformer 디코더의 숨겨진 레이어 수. num_attention_heads (`int`, *선택 사항*, 기본값 `8`) : Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. intermediate_size (`int`, *선택 사항*, 기본값 `2048`) : MLP 표현의 차원. dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.1`) : 모든 dropout 레이어의 비율입니다. hidden_act (`str`, *선택 사항*, 기본값 `relu`) : 디코더의 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등. hidden_dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.0`) : 임베딩, 인코더, 풀러의 모든 완전 연결 계층에 적용되는 dropout 확률입니다. layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-06`) : 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. roi_size (`int`, *선택 사항*, 기본값 7) : 박스 풀링 연산에 사용되는 ROI 크기입니다. initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다. 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. ## Sam3LiteTextDETREncoderConfig[[transformers.Sam3LiteTextDETREncoderConfig]] #### transformers.Sam3LiteTextDETREncoderConfig[[transformers.Sam3LiteTextDETREncoderConfig]] ```python transformers.Sam3LiteTextDETREncoderConfig(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 = 256, num_layers: int = 6, num_attention_heads: int = 8, intermediate_size: int = 2048, dropout: float | int = 0.1, hidden_act: str = 'relu', hidden_dropout: float | int = 0.0, layer_norm_eps: float = 1e-06, initializer_range: float = 0.02) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L52) **매개변수:** hidden_size (`int`, *선택 사항*, 기본값 `256`) : 숨겨진 표현의 차원. num_layers (`int`, *선택 사항*, 기본값 `6`) : Transformer 디코더의 숨겨진 레이어 수. num_attention_heads (`int`, *선택 사항*, 기본값 `8`) : Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. intermediate_size (`int`, *선택 사항*, 기본값 `2048`) : MLP 표현의 차원. dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.1`) : 모든 dropout 레이어의 비율입니다. hidden_act (`str`, *선택 사항*, 기본값 `relu`) : 디코더의 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등. hidden_dropout (`float`, *선택 사항*, 기본값 0.0) : 숨겨진 상태(hidden states)에 적용할 Dropout 확률입니다. layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-06`) : 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다. 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. ## Sam3LiteTextDETRDecoderConfig[[transformers.Sam3LiteTextDETRDecoderConfig]] #### transformers.Sam3LiteTextDETRDecoderConfig[[transformers.Sam3LiteTextDETRDecoderConfig]] ```python transformers.Sam3LiteTextDETRDecoderConfig(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 = 256, num_layers: int = 6, num_queries: int = 200, num_attention_heads: int = 8, intermediate_size: int = 2048, dropout: float | int = 0.1, hidden_act: str = 'relu', hidden_dropout: float | int = 0.0, layer_norm_eps: float = 1e-06, initializer_range: float = 0.02) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L74) **매개변수:** hidden_size (`int`, *선택 사항*, 기본값 `256`) : 숨겨진 표현의 차원. num_layers (`int`, *선택 사항*, 기본값 `6`) : Transformer 디코더의 숨겨진 레이어 수. num_queries (`int`, *선택 사항*, 기본값 200) : 객체 쿼리의 수. num_attention_heads (`int`, *선택 사항*, 기본값 `8`) : Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. intermediate_size (`int`, *선택 사항*, 기본값 `2048`) : MLP 표현의 차원. dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.1`) : 모든 dropout 레이어의 비율입니다. hidden_act (`str`, *선택 사항*, 기본값 `relu`) : 디코더의 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등. hidden_dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.0`) : 임베딩, 인코더, 풀러의 모든 완전 연결 계층에 적용되는 dropout 확률입니다. layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-06`) : 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다. 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. ## Sam3LiteTextMaskDecoderConfig[[transformers.Sam3LiteTextMaskDecoderConfig]] #### transformers.Sam3LiteTextMaskDecoderConfig[[transformers.Sam3LiteTextMaskDecoderConfig]] ```python transformers.Sam3LiteTextMaskDecoderConfig(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 = 256, num_upsampling_stages: int = 3, layer_norm_eps: float = 1e-06, dropout: float | int = 0.0, num_attention_heads: int = 8, initializer_range: float = 0.02) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/configuration_sam3_lite_text.py#L97) **매개변수:** hidden_size (`int`, *선택 사항*, 기본값 `256`) : 숨겨진 표현의 차원. num_upsampling_stages (`int`, *선택 사항*, 기본값 3) : 픽셀 디코더(FPN)의 업샘플링 단계 수 layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-06`) : 레이어 정규화 레이어에서 사용되는 epsilon 값입니다. dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.0`) : 모든 dropout 레이어에 적용되는 비율입니다. num_attention_heads (`int`, *선택 사항*, 기본값 `8`) : Transformer decoder의 각 attention layer에 사용할 attention head의 수입니다. initializer_range (`float`, *선택 사항*, 기본값 `0.02`) : 모든 가중치 행렬을 초기화하는 truncated_normal_initializer의 표준 편차입니다. 이것은 Sam3LiteTextModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Sam3 Lite Text 모델을 초기화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 초기화하면 [yonigozlan/sam3-litetext-s0](https://huggingface.co/yonigozlan/sam3-litetext-s0)와 유사한 구성이 생성됩니다. Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요. ## Sam3LiteTextTextModel[[transformers.Sam3LiteTextTextModel]] #### transformers.Sam3LiteTextTextModel[[transformers.Sam3LiteTextTextModel]] ```python transformers.Sam3LiteTextTextModel(config: Sam3LiteTextTextConfig) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/modeling_sam3_lite_text.py#L371) **매개변수:** config ([Sam3LiteTextTextConfig](/docs/transformers/main/ko/model_doc/sam3_lite_text#transformers.Sam3LiteTextTextConfig)) : 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/main/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요. EfficientSAM3 LiteText에서 사용되는 MobileCLIP MCT 텍스트 인코더입니다. `config.use_repmixer_blocks`가 `True`인 경우, 첫 번째와 마지막 레이어는 `Sam3LiteTextRepMixerBlock` 모듈이며, 나머지 레이어는 표준 `Sam3LiteTextTextEncoderLayer`입니다. 이 모델은 [PreTrainedModel](/docs/transformers/main/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.Sam3LiteTextTextModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, **kwargs: *) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/modeling_sam3_lite_text.py#L393) **매개변수:** input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/main/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids) attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask) **반환값:** `Sam3LiteTextTextEncoderOutput` 또는 `tuple(torch.Tensor)` `Sam3LiteTextTextEncoderOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되었거나 `config.return_dict=False`인 경우)로, 구성([Sam3LiteTextConfig](/docs/transformers/main/ko/model_doc/sam3_lite_text#transformers.Sam3LiteTextConfig))과 입력에 따라 다양한 요소를 포함합니다. [Sam3LiteTextTextModel](/docs/transformers/main/ko/model_doc/sam3_lite_text#transformers.Sam3LiteTextTextModel)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, sequence_length, hidden_size)`) -- 텍스트 인코더에서 생성된 전체 시퀀스의 hidden states입니다. - **pooler_output** (`torch.Tensor`, shape `(batch_size, projection_dim)`) -- 내부 CLIP 스타일 프로젝션을 통해 `projection_dim`으로 투영된 EOT-pooled 출력입니다. - **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*) -- `output_hidden_states=True`일 때 반환되는 각 레이어의 hidden states 튜플입니다. - **attentions** (`tuple(torch.Tensor)`, *선택 사항*) -- `output_attentions=True`일 때 반환되는 각 transformer 레이어의 attention 가중치 튜플입니다. ## Sam3LiteTextModel[[transformers.Sam3LiteTextModel]] #### transformers.Sam3LiteTextModel[[transformers.Sam3LiteTextModel]] ```python transformers.Sam3LiteTextModel(config: Sam3LiteTextConfig) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/modeling_sam3_lite_text.py#L1922) #### forward[[transformers.Sam3LiteTextModel.forward]] ```python forward(pixel_values: typing.Optional[torch.Tensor] = None, vision_embeds: transformers.models.sam3_lite_text.modeling_sam3_lite_text.Sam3LiteTextVisionEncoderOutput | None = None, input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, text_embeds: typing.Optional[torch.Tensor] = None, input_boxes: typing.Optional[torch.Tensor] = None, input_boxes_labels: typing.Optional[torch.LongTensor] = None, **kwargs: *) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/modeling_sam3_lite_text.py#L2038) **매개변수:** pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`, *선택 사항*) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [Sam3ImageProcessor](/docs/transformers/main/ko/model_doc/sam3#transformers.Sam3ImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [Sam3ImageProcessor.__call__()](/docs/transformers/main/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 ([Sam3Processor](/docs/transformers/main/ko/model_doc/sam3#transformers.Sam3Processor)는 이미지 처리에 [Sam3ImageProcessor](/docs/transformers/main/ko/model_doc/sam3#transformers.Sam3ImageProcessor)를 사용합니다). vision_embeds (`Sam3LiteTextVisionEncoderOutput`, *선택*) : 미리 계산된 비전 임베딩입니다. 비전 임베딩을 쉽게 재사용할 수 있습니다. 이 값을 전달하면 `pixel_values`를 전달해서는 안 됩니다. `pixel_values`와 상호 배타적입니다. input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/main/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids) attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask) text_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : 미리 계산된 텍스트 임베딩입니다. 텍스트 임베딩을 쉽게 재사용하는 데 사용할 수 있습니다. 이 인자가 제공되면 `input_ids`를 전달해서는 안 됩니다. `input_ids`와 상호 배타적입니다. input_boxes (`torch.Tensor`, shape `(batch_size, num_boxes, 4)`, *선택 사항*) : [0, 1] 범위의 정규화된 박스 좌표, (cx, cy, w, h) 형식. input_boxes_labels (`torch.LongTensor`, shape `(batch_size, num_boxes)`, *선택 사항*) : 박스의 라벨: 1 (양성), 0 (음성). **반환값:** `Sam3LiteTextImageSegmentationOutput` 또는 `tuple(torch.Tensor)` `Sam3LiteTextImageSegmentationOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되었거나 `config.return_dict=False`인 경우)로, 구성([Sam3LiteTextConfig](/docs/transformers/main/ko/model_doc/sam3_lite_text#transformers.Sam3LiteTextConfig))과 입력에 따라 다양한 요소를 포함합니다. [Sam3LiteTextModel](/docs/transformers/main/ko/model_doc/sam3_lite_text#transformers.Sam3LiteTextModel)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. - **pred_masks** (`torch.Tensor`, shape `(batch_size, num_queries, height, width)`) -- 각 query에 대한 예측된 분할 마스크. - **pred_boxes** (`torch.Tensor`, shape `(batch_size, num_queries, 4)`) -- (x1, y1, x2, y2) 형식의 예측 바운딩 박스. - **pred_logits** (`torch.Tensor`, shape `(batch_size, num_queries)`, *선택 사항*) -- 각 쿼리에 대한 분류 신뢰도 점수입니다. 디코더 쿼리 특징과 텍스트 특징 간의 내적으로 계산됩니다. - **presence_logits** (`torch.Tensor`, shape `(batch_size, 1)`, *선택 사항*) -- DETR 디코더의 presence 토큰(마지막 레이어만)에서 가져온 presence logits입니다. 이는 장면 내에 객체가 존재하는지 여부를 나타냅니다. pred_logits와 곱하여 최종 점수를 계산하는 데 사용할 수 있습니다: `final_scores = pred_logits.sigmoid() * presence_logits.sigmoid()`. - **semantic_seg** (`torch.Tensor`, shape `(batch_size, 1, height, width)`, *선택 사항*) -- 시맨틱 세그멘테이션 출력. - **decoder_hidden_states** (`tuple[torch.Tensor]`, *선택 사항*) -- 모든 DETR decoder 레이어의 hidden states로 구성된 튜플입니다. 각 텐서의 shape은 `(batch_size, num_queries, hidden_size)`입니다. - **decoder_reference_boxes** (`torch.Tensor`, shape `(num_layers, batch_size, num_queries, 4)`, *선택 사항*) -- 모든 DETR decoder 레이어의 reference boxes. - **encoder_hidden_states** (`tuple[torch.Tensor]`, *선택 사항*) -- DETR 인코더의 모든 레이어에서 생성된 숨겨진 상태(hidden states)의 튜플입니다. - **vision_hidden_states** (`tuple[torch.Tensor]`, *선택 사항*) -- 모든 vision encoder (ViT) 레이어의 hidden states로 구성된 튜플. - **vision_attentions** (`tuple[torch.Tensor]`, *선택 사항*) -- 비전 인코더(ViT) 레이어의 어텐션 가중치. - **detr_encoder_attentions** (`tuple[torch.Tensor]`, *선택 사항*) -- DETR 인코더 레이어의 어텐션 가중치. - **detr_decoder_attentions** (`tuple[torch.Tensor]`, *선택 사항*) -- DETR decoder 레이어의 어텐션 가중치(자기 어텐션 및 교차 어텐션). - **mask_decoder_attentions** (`tuple[torch.Tensor]`, *선택 사항*) -- mask decoder 레이어의 attention 가중치. 예: ```python >>> from PIL import Image >>> from huggingface_hub.utils import httpx >>> from io import BytesIO >>> from transformers import AutoModel, AutoProcessor >>> model = AutoModel.from_pretrained("facebook/sam3_lite_text") >>> processor = AutoProcessor.from_pretrained("facebook/sam3_lite_text") >>> url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/sam-car.png" >>> with httpx.stream("GET", url) as response: ... image = Image.open(BytesIO(response.read())).convert("RGB") >>> text = "car" >>> inputs = processor(images=image, text=text, return_tensors="pt") >>> # Get segmentation output >>> outputs = model(**inputs) >>> pred_masks = outputs.pred_masks >>> pred_boxes = outputs.pred_boxes ``` ## Sam3LiteTextPreTrainedModel[[transformers.Sam3LiteTextPreTrainedModel]] #### transformers.Sam3LiteTextPreTrainedModel[[transformers.Sam3LiteTextPreTrainedModel]] ```python transformers.Sam3LiteTextPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/sam3_lite_text/modeling_sam3_lite_text.py#L343) **매개변수:** config ([PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)) : 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/main/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요. 이 모델은 [PreTrainedModel](/docs/transformers/main/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.Sam3LiteTextPreTrainedModel.forward]] ```python forward(*args, **kwargs) ``` 점으로 구분된 경로(예: `torch.float32`)에 대한 mock 값입니다: 속성 접근 체인, 호출은 pass-through 데코레이터처럼 동작하며, `repr`은 해당 점으로 구분된 경로입니다. 또한 이를 베이스 클래스로 사용하면 plain-`type` 베이스로 대체됩니다(PEP 560 `__mro_entries__`). 따라서 실제 서브클래스는 정상적인 메타클래스를 유지하고, `inspect.signature`는 mock의 `__init__`가 아닌 실제 `__init__`를 읽습니다.