/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
13 апр 2023

mvitv2_base_cls.fb_inw21k

Классификация изображенийИзображение → label3 профессии

Многомасштабный Vision Transformer для классификации изображений ImageNet и извлечения визуальных признаков.

409скачиваний за 30 дней1лайквеса обновлены21 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MViTv2 Base — модель классификации изображений на основе многомасштабного Vision Transformer, опубликованная авторами статьи MViTv2. Она предварительно обучена на ImageNet-22k (вариант Winter21), а затем дообучена на ImageNet-1k. Модель содержит 65,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя.

Модель предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. В карточке отмечено, что классификатор модели не соответствует ожидаемому лексикографическому порядку synset-классов, поэтому метки классов следует сопоставлять с осторожностью. Доступна в форматах PyTorch и safetensors через библиотеку timm. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet-1k
  • извлечение визуальных признаков для последующих задач
  • получение эмбеддингов изображений
  • использование как backbone в компьютерном зрении

Ограничения

Порядок выходов классификатора не совпадает с ожидаемым лексикографическим порядком synset-классов ImageNet, поэтому соответствие индексов меткам нужно проверять. Карточка приводит разрешение входа 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 mvitv2_base_cls.fb_inw21k

A MViT-v2 (multi-scale ViT) image classification model. Pretrained on ImageNet-22k (Winter21 variant) and fine-tuned on ImageNet-1k by paper authors. The classifier layout for this model was not shared and does not match expected lexicographical sorted synset order.

Model Details

  • Model Type: Image classification / feature backbone
  • Model Stats:
    • Params (M): 65.4
    • GMACs: 10.2
    • Activations (M): 40.7
    • Image size: 224 x 224
  • Papers:
  • Dataset: ImageNet-1k
  • Pretrain Dataset: ImageNet-22k
  • Original: https://github.com/facebookresearch/mvit

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_cls.fb_inw21k', 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_cls.fb_inw21k',
    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, 50, 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
0867f41

0 моделей