/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
11 фев 2024

nextvit_base.bd_ssld_6m_in1k

Классификация изображенийИзображение → label3 профессии

Next-ViT Base — модель компьютерного зрения для классификации изображений, извлечения карт признаков и эмбеддингов.

388скачиваний 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-r-clean

    top5 · выше — лучше

    Результат

    99,68 %

    image-classification 96,88 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    75,5 %

    image-classification 93,17 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    70,715 %

    image-classification 48,046 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    78,6 %

    image-classification 47,307 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    98,591 %

    image-classification 89,506 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    76,34 %

    image-classification 60,79 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    97,27 %

    image-classification 99,66 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    85,186 %

    image-classification 97,6 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Next-ViT Base — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучили авторы статьи Next-ViT на выборке Unknown-6M и ImageNet-1k с применением дистилляции SSLD. Модель содержит около 44,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя.

Модель можно использовать для определения классов объектов на изображении, извлечения карт признаков и получения эмбеддингов изображений. В README приведены результаты классификации для вариантов семейства с разрешением 384 пикселя, но эти показатели не следует напрямую переносить на данный вариант с разрешением 224 пикселя.

Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для визуальных задач; сведения о поддержке текстовых или других входов не приведены.

Сценарии применения

  • Классификация объектов на изображениях
  • Извлечение признаков для последующей обработки изображений
  • Получение эмбеддингов изображений для поиска по визуальному сходству

Ограничения

Модель рассчитана на входные изображения размером 224 × 224 пикселя; результатов для этого варианта в README не приведено. Данных о поддержке иных входных модальностей нет.

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 nextvit_base.bd_ssld_6m_in1k

A Next-ViT image classification model. Trained by paper authors on an unknown 6M sample dataset and ImageNet-1k using SSLD distillation.

Model Details

  • Model Type: Image classification / feature backbone
  • Model Stats:
    • Params (M): 44.8
    • GMACs: 8.2
    • Activations (M): 22.5
    • Image size: 224 x 224
  • Pretrain Dataset: Unknown-6M
  • Dataset: ImageNet-1k
  • Papers:
  • Original: https://github.com/bytedance/Next-ViT

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('nextvit_base.bd_ssld_6m_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(
    'nextvit_base.bd_ssld_6m_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, 96, 56, 56])
    #  torch.Size([1, 256, 28, 28])
    #  torch.Size([1, 512, 14, 14])
    #  torch.Size([1, 1024, 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(
    'nextvit_base.bd_ssld_6m_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, 1024, 7, 7) shaped tensor

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

Model Comparison

By Top-1

modeltop1top1_errtop5top5_errparam_count
nextvit_large.bd_ssld_6m_in1k_38486.54213.45898.1421.85857.87
nextvit_base.bd_ssld_6m_in1k_38486.35213.64898.041.9644.82
nextvit_small.bd_ssld_6m_in1k_38485.96414.03697.9082.09231.76
nextvit_large.bd_ssld_6m_in1k85.4814.5297.6962.30457.87
nextvit_base.bd_ssld_6m_in1k85.18614.81497.592.4144.82
nextvit_large.bd_in1k_38484.92415.07697.2942.70657.87
nextvit_small.bd_ssld_6m_in1k84.86215.13897.3822.61831.76
nextvit_base.bd_in1k_38484.70615.29497.2242.77644.82
nextvit_small.bd_in1k_38484.02215.97896.993.0131.76
nextvit_large.bd_in1k83.62616.37496.6943.30657.87
nextvit_base.bd_in1k83.47216.52896.6563.34444.82
nextvit_small.bd_in1k82.6117.3996.2263.77431.76

Citation

@article{li2022next,
  title={Next-ViT: Next Generation Vision Transformer for Efficient Deployment in Realistic Industrial Scenarios},
  author={Li, Jiashi and Xia, Xin and Li, Wei and Li, Huixia and Wang, Xing and Xiao, Xuefeng and Wang, Rui and Zheng, Min and Pan, Xin},
  journal={arXiv preprint arXiv:2207.05501},
  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
fbfebc0

0 моделей