/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
24 апр 2023

crossvit_base_240.in1k

Классификация изображенийИзображение → label3 профессии

Многомасштабный Vision Transformer для классификации изображений ImageNet-1k и извлечения визуальных признаков.

240скачиваний 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

    89,76 %

    image-classification 71,12 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    60,96 %

    image-classification 31,013 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    33,025 %

    image-classification 51,357 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,118 %

    image-classification 86,735 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    95,53 %

    image-classification 98,82 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    60,22 %

    image-classification 46,087 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    95,826 %

    image-classification 82,212 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    95,05 %

    image-classification 98,98 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CrossViT Base 240 — модель классификации изображений и извлечения визуальных признаков, обученная авторами статьи CrossViT на ImageNet-1k. Она использует многомасштабную архитектуру Vision Transformer с перекрёстным вниманием между масштабами. Модель содержит около 105 млн параметров, рассчитана на изображения размером 240 × 240 пикселей и требует примерно 21,2 GMACs на проход.

Модель подходит для классификации изображений по категориям ImageNet-1k, а также для получения визуальных эмбеддингов как основы для последующих задач компьютерного зрения. Она принимает изображение и выдаёт классовые оценки либо признаки изображения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet-1k
  • извлечение визуальных эмбеддингов для последующих задач компьютерного зрения
  • использование в качестве backbone для экспериментов с компьютерным зрением

Ограничения

Обучена на ImageNet-1k и рассчитана на входные изображения размером 240 × 240 пикселей; качество на других наборах данных и задачах отдельно не описано.

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_base_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): 105.0
    • GMACs: 21.2
    • Activations (M): 36.3
    • 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_base_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_base_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, 384]), torch.Size([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

@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
6d24eb2

0 моделей