/ Модель

Характеристики

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

swinv2-large-patch4-window12-192-22k

Классификация изображенийИзображение → label3 профессии

Предварительно обученная на ImageNet-21k модель Swin Transformer V2 Large для классификации изображений и использования как основы для задач компьютерного зрения.

1 527скачиваний за 30 дней11лайковвеса 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 Large — модель компьютерного зрения, выпущенная Microsoft и представленная в работе Liu и соавторов. Она предварительно обучена на ImageNet-21k для классификации изображений с разрешением 192×192; число параметров составляет 33 млн. Архитектура Swin V2 строит иерархические карты признаков, объединяя патчи на глубоких слоях и выполняя локальное оконное внимание, поэтому вычислительная сложность по размеру изображения растёт линейно.

Модель предназначена прежде всего для классификации изображений по классам ImageNet. Её также можно использовать как основу для задач распознавания с плотной разметкой, адаптируя модель под нужную задачу. В Swin V2 применяются нормализация после остаточного блока с косинусным вниманием для стабильного обучения и непрерывное смещение позиций с логарифмической шкалой для переноса на входы высокого разрешения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

  • Классификация изображений по классам ImageNet
  • Определение объектов и категорий на фотографиях
  • Использование визуальных признаков как основы для плотного распознавания
  • Адаптация модели к прикладной задаче классификации изображений

Ограничения

Для прикладных задач, отличающихся от классификации ImageNet, модель может потребовать дополнительной адаптации. Карточка рекомендует искать дообученные версии для конкретных задач.

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 (large-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-large-patch4-window12-192-22k")
model = AutoModelForImageClassification.from_pretrained("microsoft/swinv2-large-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
02e27d1

0 моделей