/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
12 дек 2025

csatv2.r512_in1k

Классификация изображенийИзображение → label3 профессии

Компактная модель компьютерного зрения для быстрой классификации изображений 512×512 и извлечения признаков.

160скачиваний за 30 дней7лайковвеса обновлены30 дек 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

CSATv2 — компактная визуальная модель и экстрактор признаков, представленные в репозитории timm. Модель предназначена для классификации изображений и использования в качестве высокопроизводительного визуального backbone для обнаружения объектов. Она рассчитана на изображения размером 512×512 пикселей и использует сжатие во входном частотном представлении для снижения избыточности пространственных данных. В карточке заявлены 11,1 млн параметров, 1,4 GMAC и точность Top-1 80,02% на ImageNet-1K; также приводится скорость 2800 изображений в секунду на одной A6000.

Модель ориентирована на обработку больших наборов изображений и высокоразрешённых патчей, в частности патчей гистологических whole-slide изображений. Для конкретного репозитория указана лицензия Apache-2.0. Карточка описывает производительность и качество на ImageNet-1K, но не приводит подробностей о независимой оценке для задач обнаружения объектов или патологического анализа; заявленную скорость следует соотносить с указанным оборудованием и разрешением.

Сценарии применения

  • Классификация изображений ImageNet-1K
  • Извлечение признаков для последующего анализа изображений
  • Использование визуального backbone в высокопроизводительном обнаружении объектов
  • Классификация высокоразрешённых патчей гистологических изображений

Ограничения

Заявленные скорость и точность относятся к условиям и разрешению, указанным в карточке; скорость приведена для одной GPU A6000. Карточка не приводит оценки качества на задачах обнаружения объектов или патологического анализа.

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 csatv2

CSATv2 is a lightweight high-resolution vision backbone designed to maximize throughput at 512×512 resolution. By applying frequency-domain compression at the input stage, the model suppresses redundant spatial information and achieves extremely fast inference.

Highlights

  • 🚀 2,800 images/s at 512×512 resolution (A6000 1×GPU)
  • ⚡ Frequency-domain compression for lightweight and efficient modeling
  • 🎯 80.02% ImageNet-1K Top-1 Accuracy
  • 🪶 Only 11M parameters
  • 🧩 Suitable for image classification or as a high-throughput detection backbone

This model is an improved version of the architecture used in the paper

Special thanks to Juno for contributing ideas and feedback that greatly helped in lightweighting and optimizing the model.

Model Details

  • Model Type: Image Classification / Feature Encoder
  • Model Stats:
    • Params (M): 11.1
    • GMACs: 1.4
    • Activations (M): 9.2
    • Image size: 512 x 512
  • Original: https://huggingface.co/Hyunil/CSATv2
  • License: unknown
  • Dataset: ImageNet-1k
  • Papers:

Background and Motivation

In computational pathology, a single whole-slide image (WSI) is typically partitioned into thousands to tens of thousands of high-resolution image patches (e.g., 512×512 pixels) for analysis.

This setting places strong constraints on both throughput and latency: even small inefficiencies in patch-level inference can lead to prohibitively long end-to-end processing times at the slide level.

CSATv2 was originally designed to address this constraint by enabling high-throughput, high-resolution inference while preserving classification accuracy. In practical deployments, this design reduced slide-level processing time from tens of minutes to approximately one minute, making near–real-time pathological analysis feasible at scale.

Model description

image

Training Details

The model was trained on ImageNet-1K using a high-resolution training pipeline adapted from common ImageNet training practices.

  • Dataset: ImageNet-1K
  • Input resolution: 512×512
  • Model: CSATv2
  • Optimizer: AdamW
  • Learning rate: 2e-3
  • Learning rate schedule: Cosine
  • Epochs: 300
  • Warmup epochs: 5
  • Weight decay: 2e-2
  • Batch size: 128 (per GPU)
  • Mixed precision training: Enabled (AMP)

Data Augmentation

  • Random resized crop (scale: 0.08–1.0, ratio: 3/4–4/3)
  • Horizontal flip (p = 0.5)
  • RandAugment (rand-m7-mstd0.5-inc1)
  • Mixup (α = 0.8)
  • CutMix (α = 1.0)
  • Bicubic interpolation

Regularization

  • Label smoothing: Disabled (handled implicitly via Mixup / CutMix)
  • Dropout / DropPath: Disabled
  • Random erase: Disabled

Optimization Details

  • Exponential Moving Average (EMA): Enabled
    • EMA decay: 0.99996
  • Gradient clipping: Disabled
  • Channels-last memory format: Optional

The training pipeline was adapted from publicly available ImageNet training repositories (Solving ImageNet), with task-specific modifications for high-resolution and high-throughput training.

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('csatv2', 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)

Feature Map Extraction

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(
    'csatv2',
    pretrained=True,
    features_only=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

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 32, 64, 64])
    #  torch.Size([1, 72, 32, 32])
    #  torch.Size([1, 168, 16, 16])
    #  torch.Size([1, 386, 8, 8])

    print(o.shape)

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(
    'csatv2',
    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, 386, 8, 8) shaped tensor

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

Contact

This project was conducted by members of MLPA Lab. Welcome feedback and suggestion, questions.

Citation

TBD

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
1c4b606

0 моделей