/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
24 апр 2023

crossvit_18_240.in1k

Классификация изображенийИзображение → label3 профессии

CrossViT-18-240 — vision transformer для классификации изображений ImageNet-1k и извлечения визуальных признаков.

106скачиваний за 30 дней0лайковвеса 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.

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    90,28 %

    image-classification 72,22 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    87,309 %

    image-classification 97,485 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    96,064 %

    image-classification 82,39 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    99,12 %

    image-classification 95,06 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    95,49 %

    image-classification 98,8 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    45,957 %

    image-classification 60,35 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    61,533 %

    image-classification 30,413 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    33,39 %

    image-classification 52,263 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CrossViT-18-240 — модель классификации изображений и визуальный backbone семейства CrossViT, обученная авторами статьи на ImageNet-1k. Архитектура использует vision transformer с перекрёстным вниманием между масштабами. Модель содержит 43,3 млн параметров, обрабатывает изображения размером 240 × 240 и требует около 9,1 GMACs на проход.

Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Доступны веса PyTorch и safetensors для библиотеки timm. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet-1k
  • извлечение признаков из изображений для downstream-моделей
  • получение эмбеддингов изображений для визуального поиска

Ограничения

Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на классы этого набора данных. Для входа указано разрешение 240 × 240 пикселей.

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 crossvit_18_240.in1k

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

Model Details

  • Model Type: Image classification / feature backbone
  • Model Stats:
    • Params (M): 43.3
    • GMACs: 9.1
    • Activations (M): 26.3
    • Image size: 240 x 240
  • Papers:
  • Dataset: ImageNet-1k
  • Original: https://github.com/IBM/CrossViT

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('crossvit_18_240.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(
    'crossvit_18_240.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 (torch.Size([1, 401, 224]), torch.Size([1, 197, 448])) 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

@inproceedings{
  chen2021crossvit,
  title={{CrossViT: Cross-Attention Multi-Scale Vision Transformer for Image Classification}},
  author={Chun-Fu (Richard) Chen and Quanfu Fan and Rameswar Panda},
  booktitle={International Conference on Computer Vision (ICCV)},
  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
d61b02b

0 моделей