/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
timm
Опубликована
23 авг 2023

fastvit_sa36.apple_in1k

Классификация изображенийИзображение → label3 профессии

FastViT-SA36 — обученная на ImageNet-1k модель для классификации изображений и извлечения визуальных признаков.

10 859скачиваний за 30 дней1лайквеса 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-a-clean

    top1 · выше — лучше

    Результат

    96,24 %

    image-classification 99,18 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    95,62 %

    image-classification 99,32 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    90,96 %

    image-classification 73,15 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    48,203 %

    image-classification 62,753 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,794 %

    image-classification 88,101 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    83,502 %

    image-classification 96,632 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    65,96 %

    image-classification 33 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    55,994 %

    image-classification 36,54 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FastViT-SA36 — модель классификации изображений и визуальная backbone-модель, обученная авторами статьи FastViT на ImageNet-1k. Репозиторий timm/fastvit_sa36.apple_in1k содержит вариант с 31,5 млн параметров; модель рассчитана на изображения размером 256 × 256 пикселей и требует около 5,6 GMACs на проход. Архитектура FastViT сочетает свёрточные и трансформерные компоненты и использует структурную репараметризацию.

Модель предсказывает классы изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Это подходит для классификации объектов на изображениях и получения визуальных признаков для последующих задач компьютерного зрения. Обучение проведено на ImageNet-1k; описанный набор классов и качество вне этого распределения могут ограничивать применение.

В карточке указана лицензия other с требованием соблюдать исходную лицензию FastViT. Перед использованием следует проверить условия исходной лицензии.

Сценарии применения

  • классификация объектов на изображениях
  • получение карт признаков для компьютерного зрения
  • извлечение эмбеддингов изображений
  • использование визуальной backbone-модели в прикладных системах

Ограничения

Модель обучена на ImageNet-1k и рассчитана на вход 256 × 256 пикселей; качество на других распределениях и задачах отдельно не подтверждено. Условия исходной лицензии необходимо проверить перед использованием.

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 fastvit_sa36.apple_in1k

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

Please observe original license.

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('fastvit_sa36.apple_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(
    'fastvit_sa36.apple_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, 64, 64, 64])
    #  torch.Size([1, 128, 32, 32])
    #  torch.Size([1, 256, 16, 16])
    #  torch.Size([1, 512, 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(
    'fastvit_sa36.apple_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, 512, 8, 8) shaped tensor

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

Citation

@inproceedings{vasufastvit2023,
  author = {Pavan Kumar Anasosalu Vasu and James Gabriel and Jeff Zhu and Oncel Tuzel and Anurag Ranjan},
  title = {FastViT:  A Fast Hybrid Vision Transformer using Structural Reparameterization},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  year = {2023}
}

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
08310af

0 моделей