/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
mambavision · dense
Библиотека
transformers
Опубликована
24 мар 2025

MambaVision-L3-256-21K

Классификация изображенийИзображение → label3 профессии

Гибридная модель NVIDIA на основе Mamba и Transformer для классификации изображений и извлечения визуальных признаков.

115скачиваний за 30 дней8лайковвеса обновлены29 мар 2025

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

MambaVision-L3-256-21K — модель компьютерного зрения из семейства MambaVision, разработанная NVIDIA. Это гибридная иерархическая архитектура, объединяющая Mamba и блоки self-attention трансформера: блоки внимания в поздних слоях помогают моделировать дальние пространственные зависимости. Модель предназначена для классификации изображений и может использоваться как извлекатель признаков, выдающий представления промежуточных этапов и финальные усреднённые признаки.

Модель предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K; обучение проводилось при разрешении 256 × 256 пикселей. В README заявлена высокая точность классификации при хорошей пропускной способности. Для работы предлагается библиотека mambavision, а в метаданных указана поддержка Transformers и формат весов safetensors. Метаданные не содержат конкретного значения лицензии: указано только «other», поэтому условия использования следует уточнить в репозитории модели.

Сценарии применения

  • Классификация объектов на изображениях
  • Распознавание категорий изображений из ImageNet
  • Извлечение признаков для последующих задач компьютерного зрения

Ограничения

В README приведены результаты для разрешения 256 × 256 пикселей; качество и скорость на других разрешениях не описаны. Лицензия указана как «other», поэтому условия использования нужно проверить в репозитории.

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

MambaVision: A Hybrid Mamba-Transformer Vision Backbone.

Code: https://github.com/NVlabs/MambaVision

Model Overview

We have developed the first hybrid model for computer vision which leverages the strengths of Mamba and Transformers. Specifically, our core contribution includes redesigning the Mamba formulation to enhance its capability for efficient modeling of visual features. In addition, we conducted a comprehensive ablation study on the feasibility of integrating Vision Transformers (ViT) with Mamba. Our results demonstrate that equipping the Mamba architecture with several self-attention blocks at the final layers greatly improves the modeling capacity to capture long-range spatial dependencies. Based on our findings, we introduce a family of MambaVision models with a hierarchical architecture to meet various design criteria.

Model Performance

MambaVision-L3-256-21K is pretrained on ImageNet-21K dataset and finetuned on ImageNet-1K. Both pretraining and finetuning are performed at 256 x 256 resolution.

In addition, the MambaVision models demonstrate a strong performance by achieving a new SOTA Pareto-front in terms of Top-1 accuracy and throughput.

Model Usage

It is highly recommended to install the requirements for MambaVision by running the following:

pip install mambavision

For each model, we offer two variants for image classification and feature extraction that can be imported with 1 line of code.

Image Classification

In the following example, we demonstrate how MambaVision can be used for image classification.

Given the following image from COCO dataset val set as an input:

The following snippet can be used for image classification:

from transformers import AutoModelForImageClassification
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModelForImageClassification.from_pretrained("nvidia/MambaVision-L3-256-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 256, 256)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)

inputs = transform(image).unsqueeze(0).cuda()
# model inference
outputs = model(inputs)
logits = outputs['logits'] 
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

The predicted label is brown bear, bruin, Ursus arctos.

Feature Extraction

MambaVision can also be used as a generic feature extractor.

Specifically, we can extract the outputs of each stage of model (4 stages) as well as the final averaged-pool features that are flattened.

The following snippet can be used for feature extraction:

from transformers import AutoModel
from PIL import Image
from timm.data.transforms_factory import create_transform
import requests

model = AutoModel.from_pretrained("nvidia/MambaVision-L3-256-21K", trust_remote_code=True)

# eval mode for inference
model.cuda().eval()

# prepare image for the model
url = 'http://images.cocodataset.org/val2017/000000020247.jpg'
image = Image.open(requests.get(url, stream=True).raw)
input_resolution = (3, 256, 256)  # MambaVision supports any input resolutions

transform = create_transform(input_size=input_resolution,
                             is_training=False,
                             mean=model.config.mean,
                             std=model.config.std,
                             crop_mode=model.config.crop_mode,
                             crop_pct=model.config.crop_pct)
inputs = transform(image).unsqueeze(0).cuda()
# model inference
out_avg_pool, features = model(inputs)
print("Size of the averaged pool features:", out_avg_pool.size())  # torch.Size([1, 1568])
print("Number of stages in extracted features:", len(features)) # 4 stages
print("Size of extracted features in stage 1:", features[0].size()) # torch.Size([1, 196, 128, 128])
print("Size of extracted features in stage 4:", features[3].size()) # torch.Size([1, 1568, 16, 16])

License:

NVIDIA Source Code License-NC

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MambaVisionModelForImageClassification
Ревизия весов
108618d

0 моделей