/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
focalnet · dense
Опубликована
17 апр 2023

focalnet-base-lrf

Классификация изображенийИзображение → label3 профессии

Базовая модель FocalNet классифицирует изображения по 1000 классам ImageNet-1k, используя механизм focal modulation вместо self-attention.

87скачиваний за 30 дней1лайквеса обновлены3 мая 2023

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

microsoft/focalnet-base-lrf — базовая модель компьютерного зрения FocalNet, разработанная авторами работы Focal Modulation Networks и обученная на ImageNet-1k. Она предназначена для классификации изображений по 1000 классам ImageNet и принимает изображения с разрешением 384×384.

В архитектуре FocalNet механизм focal modulation заменяет self-attention: глубинные свёртки последовательно собирают визуальный контекст разных масштабов, а механизм с обучаемыми весами агрегирует его и передаёт признакам изображения. Это альтернативный Vision Transformer подход; карточка также сообщает о применении семейства FocalNet в обнаружении объектов и сегментации, но данный чекпойнт предназначен для классификации.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Учитывайте, что это классификатор ImageNet: его классы и обучение ограничивают пригодность для изображений, содержание которых отличается от ImageNet-1k; для обнаружения объектов и сегментации этот чекпойнт сам по себе не предназначен.

Сценарии применения

  • классификация изображений по классам ImageNet-1k
  • определение наиболее вероятного класса объекта на изображении
  • базовая модель для экспериментов с классификацией изображений
  • извлечение визуальных признаков для исследовательских задач компьютерного зрения

Ограничения

Модель обучена на ImageNet-1k и классифицирует только по его 1000 классам, поэтому может плохо подходить для изображений вне этого распределения. Этот чекпойнт предназначен для классификации, а не для обнаружения объектов или сегментации.

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

FocalNet (base-sized large reception field model)

FocalNet model trained on ImageNet-1k at resolution 384x384. It was introduced in the paper Focal Modulation Networks by Yang et al. and first released in this repository.

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

Model description

Focul Modulation Networks are an alternative to Vision Transformers, where self-attention (SA) is completely replaced by a focal modulation mechanism for modeling token interactions in vision. Focal modulation comprises three components: (i) hierarchical contextualization, implemented using a stack of depth-wise convolutional layers, to encode visual contexts from short to long ranges, (ii) gated aggregation to selectively gather contexts for each query token based on its content, and (iii) element-wise modulation or affine transformation to inject the aggregated context into the query. Extensive experiments show FocalNets outperform the state-of-the-art SA counterparts (e.g., Vision Transformers, Swin and Focal Transformers) with similar computational costs on the tasks of image classification, object detection, and segmentation.

model 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 FocalNetImageProcessor, FocalNetForImageClassification
import torch
from datasets import load_dataset

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

preprocessor = FocalNetImageProcessor.from_pretrained("microsoft/focalnet-base-lrf")
model = FocalNetForImageClassification.from_pretrained("microsoft/focalnet-base-lrf")

inputs = preprocessor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

# model predicts one of the 1000 ImageNet classes
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label]),

For more code examples, we refer to the documentation.

BibTeX entry and citation info

@article{DBLP:journals/corr/abs-2203-11926,
  author       = {Jianwei Yang and
                  Chunyuan Li and
                  Jianfeng Gao},
  title        = {Focal Modulation Networks},
  journal      = {CoRR},
  volume       = {abs/2203.11926},
  year         = {2022},
  url          = {https://doi.org/10.48550/arXiv.2203.11926},
  doi          = {10.48550/arXiv.2203.11926},
  eprinttype    = {arXiv},
  eprint       = {2203.11926},
  timestamp    = {Tue, 29 Mar 2022 18:07:24 +0200},
  biburl       = {https://dblp.org/rec/journals/corr/abs-2203-11926.bib},
  bibsource    = {dblp computer science bibliography, https://dblp.org}
}

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
FocalNetForImageClassification
Ревизия весов
50201bb

0 моделей