使用 Hugging Face Transformers 实现 CLIPSeg 零样本图像分割

CLIPSeg 是基于冻结的 CLIP 模型和 Transformer 解码器的零样本图像分割模型，支持对未见类别进行粗粒度掩码生成。该模型输入分辨率为 352x352 像素，输出分辨率较低，需结合 Segments.ai 等工具进行精细化处理。开发者可通过 🤗 transformers 库直接调用 CLIPSeg 完成机器人感知或图像修复等任务。