/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
27 янв 2023

davit_base.msft_in1k

Классификация изображенийИзображение → label3 профессии

DaViT Base — визуальный трансформер для классификации изображений ImageNet-1k и извлечения визуальных признаков.

9 520скачиваний за 30 дней8лайковвеса 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-r

    top5 · выше — лучше

    Результат

    65,207 %

    image-classification 51,27 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    84,652 %

    image-classification 97,02 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    72,533 %

    image-classification 40,76 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    38,501 %

    image-classification 57,513 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    91,65 %

    image-classification 74,4 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,874 %

    image-classification 88,703 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    96,93 %

    image-classification 99,25 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    96,24 %

    image-classification 99,39 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DaViT Base — модель классификации изображений и визуальный backbone на архитектуре Dual Attention Vision Transformer, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Вариант содержит около 88 млн параметров и рассчитан на изображения размером 224 × 224 пикселя.

Модель присваивает изображениям классы ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В карточке указана точность Top-1 84,634% и Top-5 97,014% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors.

Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги в зависимости от способа использования. Она обучена на ImageNet-1k, поэтому её качество и набор классов ориентированы на эту задачу и могут не подходить для изображений из иных областей без дополнительной адаптации. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet
  • получение эмбеддингов изображений для поиска по сходству
  • извлечение карт признаков для компьютерного зрения
  • использование визуального backbone в прикладных CV-системах

Ограничения

Модель обучена на ImageNet-1k и ориентирована на классификацию в рамках этого набора классов; для других предметных областей может потребоваться адаптация. Входной размер изображения в карточке — 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 davit_base.msft_in1k

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

Thanks to Fredo Guan for bringing the classification backbone to timm.

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('davit_base.msft_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)

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(
    'davit_base.msft_in1k',
    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, 96, 56, 56])
    #  torch.Size([1, 192, 28, 28])
    #  torch.Size([1, 384, 14, 14])
    #  torch.Size([1, 768, 7, 7]
    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(
    'davit_base.msft_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 (ie.e a (batch_size, num_features, H, W) tensor

output = model.forward_head(output, pre_logits=True)
# output is (batch_size, num_features) tensor

Model Comparison

By Top-1

modeltop1top1_errtop5top5_errparam_countimg_sizecrop_pctinterpolation
davit_base.msft_in1k84.63415.36697.0142.98687.952240.95bicubic
davit_small.msft_in1k84.2515.7596.943.0649.752240.95bicubic
davit_tiny.msft_in1k82.67617.32496.2763.72428.362240.95bicubic

Citation

@inproceedings{ding2022davit,
    title={DaViT: Dual Attention Vision Transformer}, 
    author={Ding, Mingyu and Xiao, Bin and Codella, Noel and Luo, Ping and Wang, Jingdong and Yuan, Lu},
    booktitle={ECCV},
    year={2022},
}

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
67a8d7b

0 моделей