/ Модель

Характеристики

Параметры
14,7 млн
Лицензия
MIT
Архитектура
dinat · dense
Опубликована
14 ноя 2022

dinat-mini-in1k-224

Классификация изображенийИзображение → label3 профессии

Компактный vision Transformer на 14,7 млн параметров для классификации изображений по классам ImageNet-1K.

51скачиваний за 30 дней1лайквеса обновлены18 ноя 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

DiNAT-Mini — иерархический vision Transformer от SHI Labs, обученный на ImageNet-1K для классификации изображений с разрешением 224×224. Модель использует Neighborhood Attention и её расширенный вариант Dilated Neighborhood Attention: каждый токен обрабатывает ближайшую область изображения, что формирует скользящее окно внимания и сохраняет эквивариантность к сдвигам. Вариант содержит 14,7 млн параметров и распространяется в формате PyTorch.

Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet, например для классификации фотографий. Это базовый классификатор: для других задач подойдут дообученные версии. Для запуска нужны Transformers и пакет NATTEN. Лицензия — MIT.

Сценарии применения

  • классификация объектов на фотографиях
  • определение класса изображения из набора ImageNet-1K
  • встраивание классификатора изображений в приложение на PyTorch

Ограничения

Модель обучена для классификации по 1000 классам ImageNet-1K и входного разрешения 224×224; для других задач может потребоваться дообучение. Для запуска помимо Transformers требуется пакет NATTEN.

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

DiNAT (mini variant)

DiNAT-Mini trained on ImageNet-1K at 224x224 resolution. It was introduced in the paper Dilated Neighborhood Attention Transformer by Hassani et al. and first released in this repository.

Model description

DiNAT is a hierarchical vision transformer based on Neighborhood Attention (NA) and its dilated variant (DiNA). Neighborhood Attention is a restricted self attention pattern in which each token's receptive field is limited to its nearest neighboring pixels. NA and DiNA are therefore sliding-window attention patterns, and as a result are highly flexible and maintain translational equivariance.

They come with PyTorch implementations through the NATTEN package.

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.

Example

Here is how to use this model to classify an image from the COCO 2017 dataset into one of the 1,000 ImageNet classes:

from transformers import AutoImageProcessor, DinatForImageClassification
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 = AutoImageProcessor.from_pretrained("shi-labs/dinat-mini-in1k-224")
model = DinatForImageClassification.from_pretrained("shi-labs/dinat-mini-in1k-224")

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 examples, please refer to the documentation.

Requirements

Other than transformers, this model requires the NATTEN package.

If you're on Linux, you can refer to shi-labs.com/natten for instructions on installing with pre-compiled binaries (just select your torch build to get the correct wheel URL).

You can alternatively use pip install natten to compile on your device, which may take up to a few minutes. Mac users only have the latter option (no pre-compiled binaries).

Refer to NATTEN's GitHub for more information.

BibTeX entry and citation info

@article{hassani2022dilated,
	title        = {Dilated Neighborhood Attention Transformer},
	author       = {Ali Hassani and Humphrey Shi},
	year         = 2022,
	url          = {https://arxiv.org/abs/2209.15001},
	eprint       = {2209.15001},
	archiveprefix = {arXiv},
	primaryclass = {cs.CV}
}

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
DinatForImageClassification
Ревизия весов
3f3b40b

0 моделей