/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
13 апр 2023

mvitv2_base.fb_in1k

Классификация изображенийИзображение → label3 профессии

Многомасштабная Vision Transformer модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-1k.

605скачиваний 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.

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    74,19 %

    image-classification 91,51 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    43,293 %

    image-classification 73,92 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    96,02 %

    image-classification 99,35 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    84,424 %

    image-classification 96,864 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    51,473 %

    image-classification 65,623 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    38,462 %

    image-classification 57,92 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    88,626 %

    image-classification 97,816 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,25 %

    image-classification 96,77 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MViTv2 Base fb_in1k — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. Она разработана авторами MViTv2 и предварительно обучена на ImageNet-1k. Модель содержит 51,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя.

Модель подходит для классификации изображений по категориям ImageNet-1k и получения векторных представлений изображений для последующей обработки. В карточке указаны вычислительная стоимость 10,2 GMACs и 40,5 млн активаций. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet-1k
  • получение эмбеддингов изображений
  • извлечение признаков изображений для компьютерного зрения

Ограничения

Карточка описывает обучение на ImageNet-1k и входной размер 224 × 224; точность на других наборах данных и пригодность для иных размеров изображений не указаны.

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 mvitv2_base.fb_in1k

A MViT-v2 (multi-scale ViT) image classification model. Pretrained 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('mvitv2_base.fb_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)

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(
    'mvitv2_base.fb_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, 49, 768) shaped tensor

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

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
14b8bb1

0 моделей