/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
18 авг 2023

efficientvit_b2.r224_in1k

Классификация изображенийИзображение → label3 профессии

EfficientViT-B2 — модель классификации изображений ImageNet-1k, подходящая также для извлечения признаков и визуальных эмбеддингов.

2 910скачиваний 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.

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    94,89 %

    image-classification 99 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    82,162 %

    image-classification 95,71 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    71,39 %

    image-classification 89,67 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    45,23 %

    image-classification 59,187 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,184 %

    image-classification 87,109 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    95,31 %

    image-classification 98,79 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    55,253 %

    image-classification 21,573 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    32,099 %

    image-classification 50,936 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

EfficientViT-B2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами статьи EfficientViT. Чекпойнт обучен на ImageNet-1k и рассчитан на входные изображения размером 224 × 224 пикселя. В модели 24,3 млн параметров; вычислительная сложность составляет 1,6 GMACs.

Модель можно применять для отнесения изображения к категории ImageNet-1k, извлечения карты признаков и получения векторных представлений изображений. Архитектура EfficientViT использует многомасштабное линейное внимание; реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Классификатор обучен на ImageNet-1k, поэтому его категории и качество ограничены этим набором данных. Для изображений другого размера или предметной области может потребоваться предварительная обработка либо адаптация модели.

Сценарии применения

  • классификация изображений по категориям ImageNet-1k
  • извлечение карт визуальных признаков
  • получение эмбеддингов изображений для поиска по сходству
  • использование визуального backbone в задачах компьютерного зрения

Ограничения

Модель обучена на ImageNet-1k и ориентирована на изображения размером 224 × 224 пикселя; её категории и качество могут не соответствовать другим предметным областям без адаптации.

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 efficientvit_b2.r224_in1k

An EfficientViT (MIT) 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('efficientvit_b2.r224_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(
    'efficientvit_b2.r224_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, 48, 56, 56])
    #  torch.Size([1, 96, 28, 28])
    #  torch.Size([1, 192, 14, 14])
    #  torch.Size([1, 384, 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(
    'efficientvit_b2.r224_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, 384, 7, 7) shaped tensor

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

Citation

@article{cai2022efficientvit,
  title={EfficientViT: Enhanced linear attention for high-resolution low-computation visual recognition},
  author={Cai, Han and Gan, Chuang and Han, Song},
  journal={arXiv preprint arXiv:2205.14756},
  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
c39d51d

0 моделей