/ Модель

Характеристики

Параметры
33 млн
Лицензия
CC BY-NC 4.0
Архитектура
hiera · dense
Библиотека
transformers
Опубликована
1 апр 2024

hiera-tiny-224-in1k-hf

Классификация изображенийИзображение → label3 профессии

Компактный vision transformer Hiera для классификации изображений по классам ImageNet-1K.

194скачиваний за 30 дней2лайкавеса обновлены20 июн 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

facebook/hiera-tiny-224-in1k-hf — компактная модель компьютерного зрения семейства Hiera, разработанная Meta и дообученная для классификации изображений на ImageNet-1K. Это иерархический vision transformer с архитектурой HieraForImageClassification и примерно 33 млн параметров; для загрузки весов используется формат safetensors, а запуск поддерживается библиотекой Transformers.

Модель принимает изображения и определяет их классы. Этот чекпойнт предназначен прежде всего для классификации изображений; семейство Hiera также применяют для извлечения признаков и masked image modeling. Иерархическая архитектура рассчитана на эффективное распознавание визуальных объектов.

Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Модель обучена на ImageNet-1K, поэтому её классификация ориентирована на классы этого набора данных и может быть ненадёжна на изображениях, сильно отличающихся от обучающих данных.

Сценарии применения

  • классификация объектов на фотографиях
  • распознавание классов ImageNet-1K на изображениях
  • автоматическая сортировка изображений по категориям

Ограничения

Модель ориентирована на классы ImageNet-1K и может хуже работать на изображениях вне распределения обучающих данных. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

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

Hiera Model (Tiny, fine-tuned on IN1K)

Hiera is a hierarchical vision transformer that is fast, powerful, and, above all, simple. It was introduced in the paper Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles and outperforms the state-of-the-art across a wide array of image and video tasks while being much faster.

How does it work?

A diagram of Hiera's architecture.

Vision transformers like ViT use the same spatial resolution and number of features throughout the whole network. But this is inefficient: the early layers don't need that many features, and the later layers don't need that much spatial resolution. Prior hierarchical models like ResNet accounted for this by using fewer features at the start and less spatial resolution at the end.

Several domain specific vision transformers have been introduced that employ this hierarchical design, such as Swin or MViT. But in the pursuit of state-of-the-art results using fully supervised training on ImageNet-1K, these models have become more and more complicated as they add specialized modules to make up for spatial biases that ViTs lack. While these changes produce effective models with attractive FLOP counts, under the hood the added complexity makes these models slower overall.

We show that a lot of this bulk is actually unnecessary. Instead of manually adding spatial bases through architectural changes, we opt to teach the model these biases instead. By training with MAE, we can simplify or remove all of these bulky modules in existing transformers and increase accuracy in the process. The result is Hiera, an extremely efficient and simple architecture that outperforms the state-of-the-art in several image and video recognition tasks.

Intended uses & limitations

Hiera can be used for image classification, feature extraction or masked image modeling. This checkpoint in specific is intended for Image Classificaiton.

How to use

import requests

import torch
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForImageClassification 

model_id = "facebook/hiera-tiny-224-in1k-hf"
device = "cuda" if torch.cuda.is_available() else "cpu"

image_processor = AutoImageProcessor.from_pretrained(model_id)
model = AutoModelForImageClassification.from_pretrained(model_id).to(device)

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

inputs = image_processor(images=image, return_tensors="pt").to(device)
with torch.no_grad():
    outputs = model(**inputs)

predicted_id = outputs.logits.argmax(dim=-1).item()
predicted_class = model.config.id2label[predicted_id] # 'tabby, tabby cat'

BibTeX entry and citation info

If you use Hiera or this code in your work, please cite:

@article{ryali2023hiera,
  title={Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles},
  author={Ryali, Chaitanya and Hu, Yuan-Ting and Bolya, Daniel and Wei, Chen and Fan, Haoqi and Huang, Po-Yao and Aggarwal, Vaibhav and Chowdhury, Arkabandhu and Poursaeed, Omid and Hoffman, Judy and Malik, Jitendra and Li, Yanghao and Feichtenhofer, Christoph},
  journal={ICML},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
HieraForImageClassification
Ревизия весов
3384168

0 моделей