/ Модель

Характеристики

Параметры
33 млн
Лицензия
Apache 2.0
Архитектура
swinv2 · dense
Опубликована
15 июн 2022

swinv2-base-patch4-window12-192-22k

Классификация изображенийИзображение → label3 профессии

Предобученная на ImageNet-21k модель Swin Transformer V2 для классификации изображений по классам ImageNet.

4 411скачиваний за 30 дней8лайковвеса обновлены10 дек 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 V2 Base Patch4 Window12 192 22k — модель компьютерного зрения семейства Swin Transformer V2, представленная авторами Swin Transformer и опубликованная Microsoft. Это иерархический Vision Transformer с локальным оконным вниманием и объединением патчей на более глубоких уровнях; в варианте Base около 33 млн параметров. Модель предварительно обучена на ImageNet-21k с разрешением 192×192 и предназначена для классификации изображений по классам ImageNet.

Модель принимает изображение и выдаёт оценки классов. Swin V2 использует нормализацию после остаточных связей с cosine attention для стабильности обучения и непрерывное позиционное смещение, помогающее переносить предобучение с низкого разрешения на более высокое. Архитектура также может служить основой для задач плотного распознавания, однако этот чекпойнт предназначен для классификации изображений. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • определение объектов и сцен на фотографии
  • извлечение визуальных признаков для задач компьютерного зрения

Ограничения

Предобучение выполнено на ImageNet-21k при разрешении 192×192; классификация ориентирована на классы ImageNet, поэтому для других наборов категорий может потребоваться дообучение.

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 v2 (tiny-sized model)

Swin Transformer v2 model pre-trained on ImageNet-21k at resolution 192x192. It was introduced in the paper Swin Transformer V2: Scaling Up Capacity and Resolution by Liu et al. and first released in this repository.

Disclaimer: The team releasing Swin Transformer v2 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.

Swin Transformer v2 adds 3 main improvements: 1) a residual-post-norm method combined with cosine attention to improve training stability; 2) a log-spaced continuous position bias method to effectively transfer models pre-trained using low-resolution images to downstream tasks with high-resolution inputs; 3) a self-supervised pre-training method, SimMIM, to reduce the needs of vast labeled images.

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 21k ImageNet classes:

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

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

processor = AutoImageProcessor.from_pretrained("microsoft/swinv2-base-patch4-window12-192-22k")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-base-patch4-window12-192-22k")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 21k 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-2111-09883,
  author    = {Ze Liu and
               Han Hu and
               Yutong Lin and
               Zhuliang Yao and
               Zhenda Xie and
               Yixuan Wei and
               Jia Ning and
               Yue Cao and
               Zheng Zhang and
               Li Dong and
               Furu Wei and
               Baining Guo},
  title     = {Swin Transformer {V2:} Scaling Up Capacity and Resolution},
  journal   = {CoRR},
  volume    = {abs/2111.09883},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.09883},
  eprinttype = {arXiv},
  eprint    = {2111.09883},
  timestamp = {Thu, 02 Dec 2021 15:54:22 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-09883.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
Swinv2ForImageClassification
Ревизия весов
7871363

0 моделей