/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
swin · dense
Опубликована
2 мар 2022

swin-large-patch4-window12-384-in22k

Классификация изображенийИзображение → label3 профессии

Модель Swin Transformer Large, предобученная на ImageNet-21k для классификации изображений по 21 841 классу.

622скачиваний за 30 дней11лайковвеса обновлены16 мая 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

Swin Large Patch4 Window12 384 — модель компьютерного зрения семейства Swin Transformer, опубликованная Microsoft и предобученная на ImageNet-21k: 14 млн изображений и 21 841 класс. Она предназначена прежде всего для классификации изображений; иерархические карты признаков также позволяют использовать архитектуру как основу для задач плотного распознавания.

Модель разбивает изображение на патчи и выполняет self-attention в локальных окнах, сдвигая окна между слоями. Это обеспечивает линейную сложность вычислений относительно размера изображения. Вариант обучался при разрешении 384×384. Карточка не сообщает число параметров и поддерживаемые естественные языки. Доступны веса PyTorch и TensorFlow.

Для работы модели требуется изображение; результат классификации — метка класса. Модель предобучена на ImageNet-21k, поэтому её классы и качество на других наборах данных могут не соответствовать конкретному сценарию без дополнительной настройки. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация изображений по классам ImageNet-21k
  • Распознавание объектов на изображениях как основа компьютерного зрения
  • Использование визуального backbone в задачах плотного распознавания
  • Получение базовой модели для дообучения на собственных категориях изображений

Ограничения

Модель предобучена на классах ImageNet-21k; для специализированных категорий и задач может потребоваться дообучение. В карточке не приведены метрики качества на целевых наборах данных.

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

Swin Transformer (large-sized model)

Swin Transformer model pre-trained on ImageNet-21k (14 million images, 21,841 classes) at resolution 384x384. It was introduced in the paper Swin Transformer: Hierarchical Vision Transformer using Shifted Windows by Liu et al. and first released in this repository.

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

Model description

The Swin Transformer is a type of Vision Transformer. It builds hierarchical feature maps by merging image patches (shown in gray) in deeper layers and has linear computation complexity to input image size due to computation of self-attention only within each local window (shown in red). It can thus serve as a general-purpose backbone for both image classification and dense recognition tasks. In contrast, previous vision Transformers produce feature maps of a single low resolution and have quadratic computation complexity to input image size due to computation of self-attention globally.

model image

Source

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 AutoFeatureExtractor, SwinForImageClassification
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("microsoft/swin-large-patch4-window12-384-in22k")
model = SwinForImageClassification.from_pretrained("microsoft/swin-large-patch4-window12-384-in22k")

inputs = feature_extractor(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.

BibTeX entry and citation info

@article{DBLP:journals/corr/abs-2103-14030,
  author    = {Ze Liu and
               Yutong Lin and
               Yue Cao and
               Han Hu and
               Yixuan Wei and
               Zheng Zhang and
               Stephen Lin and
               Baining Guo},
  title     = {Swin Transformer: Hierarchical Vision Transformer using Shifted Windows},
  journal   = {CoRR},
  volume    = {abs/2103.14030},
  year      = {2021},
  url       = {https://arxiv.org/abs/2103.14030},
  eprinttype = {arXiv},
  eprint    = {2103.14030},
  timestamp = {Thu, 08 Apr 2021 07:53:26 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2103-14030.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
SwinForImageClassification
Ревизия весов
df0f89c

0 моделей