/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
swin · dense
Опубликована
2 мар 2022

swin-large-patch4-window7-224-in22k

Классификация изображенийИзображение → label3 профессии

Swin Transformer Large — предварительно обученная на ImageNet-21k модель компьютерного зрения для классификации изображений.

177скачиваний за 30 дней3лайкавеса 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 Transformer Large — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в работе Liu et al. Это версия с предварительным обучением на ImageNet-21k: 14 миллионов изображений, 21 841 класс. Модель принимает изображения разрешением 224×224 и предназначена для классификации изображений; её также можно использовать как основу для задач плотного распознавания после соответствующей адаптации.

Архитектура Vision Transformer формирует иерархические карты признаков, объединяя патчи на более глубоких уровнях. Механизм внимания применяется внутри локальных окон со сдвигом, поэтому вычислительная сложность растёт линейно с размером изображения. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Для прикладных задач, отличающихся от классификации ImageNet, обычно потребуется дообученная версия модели.

Сценарии применения

  • классификация изображения по категориям ImageNet
  • определение объектов и сцен на изображении
  • использование визуальных признаков как основы для задач плотного распознавания

Ограничения

Предобучение ориентировано на классы ImageNet-21k, поэтому для других наборов категорий и прикладных задач может потребоваться дообучение. В README указана работа с изображениями 224×224.

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 224x224. 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-window7-224-in22k")
model = SwinForImageClassification.from_pretrained("microsoft/swin-large-patch4-window7-224-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
3a03736

0 моделей