/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
timm
Опубликована
24 апр 2023

mobilevitv2_150.cvnets_in22k_ft_in1k_384

Классификация изображенийИзображение → label3 профессии

Компактная модель MobileViT-v2 для классификации изображений, извлечения карт признаков и визуальных эмбеддингов.

210скачиваний 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-a

    top1 · выше — лучше

    Результат

    29,547 %

    image-classification 61,56 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    95,34 %

    image-classification 99,13 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    82,606 %

    image-classification 96,314 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,679 %

    image-classification 87,691 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,15 %

    image-classification 95,71 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    28,859 %

    image-classification 47,93 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    57,813 %

    image-classification 41,68 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    71,19 %

    image-classification 90,26 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MobileViT-v2 150 — модель классификации изображений и извлечения визуальных признаков из семейства MobileViT-v2, опубликованная авторами статьи. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 10,6 млн параметров; указанный размер входного изображения — 384 × 384 пикселя, вычислительная сложность — 9,2 GMACs.

Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу в задачах распознавания объектов по категориям и в системах, которым нужны признаки изображений. Архитектура сочетает мобильный дизайн с механизмом separable self-attention; библиотека для работы с моделью — timm.

В метаданных указан формат PyTorch и safetensors. Лицензия обозначена как other, а README отсылает к отдельным сведениям о лицензии, поэтому условия использования по имеющимся данным уточнить нельзя. Модель рассчитана на обработку изображений и не описана как мультимодальная система или модель для понимания текста.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • извлечение карт визуальных признаков для компьютерного зрения
  • получение эмбеддингов изображений
  • визуальный бэкбон для мобильных и ресурсно-ограниченных приложений

Ограничения

Модель рассчитана на изображения размером 384 × 384 пикселя и обучена на ImageNet-22k с дообучением на ImageNet-1k; качество на иных типах данных в карточке не охарактеризовано. Условия лицензии обозначены как other, поэтому перед использованием следует проверить их отдельно.

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 mobilevitv2_150.cvnets_in22k_ft_in1k_384

A MobileViT-v2 image classification model. Pretrained on ImageNet-22k and fine-tuned on ImageNet-1k by paper authors.

See license details at https://github.com/apple/ml-cvnets/blob/main/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('mobilevitv2_150.cvnets_in22k_ft_in1k_384', 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(
    'mobilevitv2_150.cvnets_in22k_ft_in1k_384',
    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, 192, 192])
    #  torch.Size([1, 192, 96, 96])
    #  torch.Size([1, 384, 48, 48])
    #  torch.Size([1, 576, 24, 24])
    #  torch.Size([1, 768, 12, 12])

    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(
    'mobilevitv2_150.cvnets_in22k_ft_in1k_384',
    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, 768, 12, 12) 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

@article{Mehta2022SeparableSF,
  title={Separable Self-attention for Mobile Vision Transformers},
  author={Sachin Mehta and Mohammad Rastegari},
  journal={ArXiv},
  year={2022},
  volume={abs/2206.02680}
}

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
9f78851

0 моделей