/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
24 апр 2023

convit_base.fb_in1k

Классификация изображенийИзображение → label3 профессии

ConViT Base, обученная на ImageNet-1k, классифицирует изображения и извлекает визуальные признаки для задач компьютерного зрения.

3 150скачиваний за 30 дней1лайквеса обновлены21 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки8

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    98,89 %

    image-classification 95,55 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    29,387 %

    image-classification 61,493 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    82,296 %

    image-classification 95,936 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    35,318 %

    image-classification 54,939 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    87,2 %

    image-classification 97,297 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    90,08 %

    image-classification 71,52 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    48,247 %

    image-classification 62,987 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    95,12 %

    image-classification 99,12 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ConViT Base fb_in1k — модель классификации изображений и извлечения признаков из семейства ConViT, опубликованная авторами работы «ConViT: Improving Vision Transformers with Soft Convolutional Inductive Biases» и обученная на ImageNet-1k. Она использует визуальный трансформер с мягкими свёрточными индуктивными смещениями и содержит около 86,5 млн параметров.

Модель предназначена для классификации изображений и получения эмбеддингов, которые можно использовать в качестве признаков в задачах компьютерного зрения. Расчётный размер входного изображения — 224 × 224 пикселя; вычислительная сложность составляет 17,5 GMACs. Репозиторий предоставляет веса в форматах PyTorch и Safetensors, библиотека — timm.

Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. Лицензия Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • извлечение эмбеддингов изображений
  • получение визуальных признаков для downstream-задач компьютерного зрения

Ограничения

Обучение на ImageNet-1k ориентирует классификацию на категории этого набора данных; для других классов или областей может потребоваться адаптация. Для входа заявлен размер изображения 224 × 224 пикселя.

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

Model card for convit_base.fb_in1k

A ConViT image classification model. Trained on ImageNet-1k by paper authors.

Model Details

Model Usage

Image Classification

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('convit_base.fb_in1k', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Image Embeddings

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'convit_base.fb_in1k',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 197, 768) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

Model Comparison

Explore the dataset and runtime metrics of this model in timm model results.

Citation

@article{d2021convit,
  title={ConViT: Improving Vision Transformers with Soft Convolutional Inductive Biases},
  author={d'Ascoli, St{'e}phane and Touvron, Hugo and Leavitt, Matthew and Morcos, Ari and Biroli, Giulio and Sagun, Levent},
  journal={arXiv preprint arXiv:2103.10697},
  year={2021}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-classification

Можно запустить

Подбираем GPU…

Ревизия весов
86d49ec

0 моделей