/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit_msn · dense
Опубликована
9 сен 2022

vit-msn-base

Эмбеддинги изображений3 профессии

Предварительно обученный ViT-энкодер извлекает признаки изображений и служит основой для классификации, особенно при малом количестве размеченных данных.

100скачиваний за 30 дней0лайковвеса обновлены30 сен 2022

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/vit-msn-base — базовая модель Vision Transformer, предварительно обученная методом Masked Siamese Networks (MSN). MSN разработан Mahmoud Assran, Mathilde Caron и соавторами; веса модели впервые опубликованы в связанном репозитории. Архитектура ViT преобразует изображение в последовательность патчей и кодирует её трансформерным энкодером; модель содержит 113,2 млн параметров.

Модель извлекает признаки изображений для последующих задач компьютерного зрения. Её можно использовать как основу классификатора, добавив обучаемый классификационный слой; предварительное обучение особенно полезно, когда для целевой задачи доступно мало размеченных изображений. Модель предназначена для изображений и не генерирует текстовые описания.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит конкретные ограничения по разрешению входа или числу классов; качество на целевой задаче зависит от последующего обучения и данных.

Сценарии применения

  • извлечение признаков из изображений для классификатора
  • обучение классификатора на небольшом наборе размеченных изображений
  • переносное обучение для задач компьютерного зрения
  • получение визуальных представлений для последующей обработки

Ограничения

Модель является энкодером признаков, а для классификации требуется обучить дополнительный классификационный слой на целевых данных. Особенно рассчитана на сценарии с небольшим числом размеченных примеров; карточка не описывает ограничения по входному разрешению.

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

Vision Transformer (base-sized model) pre-trained with MSN

Vision Transformer (ViT) model pre-trained using the MSN method. It was introduced in the paper Masked Siamese Networks for Label-Efficient Learning by Mahmoud Assran, Mathilde Caron, Ishan Misra, Piotr Bojanowski, Florian Bordes, Pascal Vincent, Armand Joulin, Michael Rabbat, Nicolas Ballas and first released in this repository.

Disclaimer: The team releasing MSN did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

The Vision Transformer (ViT) is a transformer encoder model (BERT-like). Images are presented to the model as a sequence of fixed-size patches.

MSN presents a joint-embedding architecture to match the prototypes of masked patches with that of the unmasked patches. With this setup, their method yields excellent performance in the low-shot and extreme low-shot regimes.

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.

Intended uses & limitations

You can use the raw model for downstream tasks like image classification. See the model hub to look for different versions of MSN pre-trained models that interest you. The model is particularly beneficial when you have a few labeled samples in your training set.

How to use

Here is how to use this backbone encoder:

from transformers import AutoFeatureExtractor, ViTMSNModel
import torch
from PIL import Image
import requests

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

feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/vit-msn-base")
model = ViTMSNModel.from_pretrained("facebook/vit-msn-base")
inputs = feature_extractor(images=image, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

For fine-tuning on image classification use the ViTMSNForImageClassification class:

from transformers import AutoFeatureExtractor, ViTMSNForImageClassification
import torch
from PIL import Image
import requests

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

feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/vit-msn-base")
model = ViTMSNForImageClassification.from_pretrained("facebook/vit-msn-base")

...

Citation

@article{assran2022masked,
  title={Masked Siamese Networks for Label-Efficient Learning}, 
  author={Assran, Mahmoud, and Caron, Mathilde, and Misra, Ishan, and Bojanowski, Piotr, and Bordes, Florian and Vincent, Pascal, and Joulin, Armand, and Rabbat, Michael, and Ballas, Nicolas},
  journal={arXiv preprint arXiv:2204.07141},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTMSNModel
Ревизия весов
8c72143

0 моделей