/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
pvt · dense
Опубликована
27 мар 2023

pvt-small-224

Классификация изображенийИзображение → label3 профессии

Компактный Pyramid Vision Transformer для классификации изображений по 1000 классам ImageNet и извлечения признаков для задач компьютерного зрения.

44скачиваний за 30 дней0лайковвеса обновлены26 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Pyramid Vision Transformer (PVT) — компактная модель классификации изображений, опубликованная Rinat S. под именем Xrenya; архитектуру PVT представили Wenhai Wang и соавторы. Модель предварительно обучена на ImageNet-1K и дообучена на ImageNet 2012 для распознавания 1000 классов. Она принимает RGB-изображение размером 224×224 и выдаёт класс изображения и оценки классов.

В основе лежит трансформерный энкодер с последовательностями патчей и пирамидальным уменьшением карт признаков по этапам, что снижает вычислительную нагрузку по сравнению с обычным ViT. Предобученные представления также можно использовать как основу для обучения классификатора на собственном наборе размеченных изображений. Модель доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet
  • распознавание объектов на фотографиях
  • извлечение признаков изображений для обучения классификатора
  • дообучение классификатора на размеченных изображениях

Ограничения

Модель рассчитана на изображения с разрешением 224×224 и обучена классифицировать по 1000 классам ImageNet; для других категорий потребуется дообучение. README не приводит метрик качества.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pyramid Vision Transformer (small-sized model)

Pyramid Vision Transformer (PVT) model pre-trained on ImageNet-1K (1 million images, 1000 classes) at resolution 224x224, and fine-tuned on ImageNet 2012 (1 million images, 1,000 classes) at resolution 224x224. It was introduced in the paper Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions by Wenhai Wang, Enze Xie, Xiang Li, Deng-Ping Fan, Kaitao Song, Ding Liang, Tong Lu, Ping Luo, Ling Shao and first released in this repository.

Disclaimer: The team releasing PVT did not write a model card for this model so this model card has been written by Rinat S. [@Xrenya].

Model description

The Pyramid Vision Transformer (PVT) is a transformer encoder model (BERT-like) pretrained on ImageNet-1k (also referred to as ILSVRC2012), a dataset comprising 1 million images and 1,000 classes, also at resolution 224x224.

Images are presented to the model as a sequence of variable-size patches, which are linearly embedded. Unlike ViT models, PVT is using a progressive shrinking pyramid to reduce computations of large feature maps at each stage. One also adds a [CLS] token to the beginning of a sequence to use it for classification tasks. One also adds absolute position embeddings before feeding the sequence to the layers of the Transformer encoder.

By pre-training the model, it learns an inner representation of images that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled images for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder. One typically places a linear layer on top of the [CLS] token, as the last hidden state of this token can be seen as a representation of an entire image.

Intended uses & limitations

You can use the raw model for image classification. See the model hub to look for fine-tuned versions on a task that interests you.

How to use

Here is how to use this model to classify an image of the COCO 2017 dataset into one of the 1,000 ImageNet classes:

from transformers import PvtImageProcessor, PvtForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = PvtImageProcessor.from_pretrained('Zetatech/pvt-small-224')
model = PvtForImageClassification.from_pretrained('Zetatech/pvt-small-224')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

For more code examples, we refer to the documentation.

Training data

The ViT model was pretrained on ImageNet-1k, a dataset consisting of 1 million images and 1k classes.

Training procedure

Preprocessing

The exact details of preprocessing of images during training/validation can be found here.

Images are resized/rescaled to the same resolution (224x224) and normalized across the RGB channels with mean (0.485, 0.456, 0.406) and standard deviation (0.229, 0.224, 0.225).

BibTeX entry and citation info

@inproceedings{wang2021pyramid,
  title={Pyramid vision transformer: A versatile backbone for dense prediction without convolutions},
  author={Wang, Wenhai and Xie, Enze and Li, Xiang and Fan, Deng-Ping and Song, Kaitao and Liang, Ding and Lu, Tong and Luo, Ping and Shao, Ling},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  pages={568--578},
  year={2021}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
PvtForImageClassification
Ревизия весов
c1d03a1

0 моделей