/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
26 апр 2023

pit_xs_distilled_224.in1k

Классификация изображенийИзображение → label

Компактный Pooling-based Vision Transformer для классификации изображений ImageNet-1k и извлечения визуальных признаков.

118скачиваний 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

    top5 · выше — лучше

    Результат

    87,82 %

    image-classification 68,13 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    94,35 %

    image-classification 79,172 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    30,555 %

    image-classification 50,172 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    13,507 %

    image-classification 45,107 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    98,79 %

    image-classification 93,29 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    60,65 %

    image-classification 43,757 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    93,78 %

    image-classification 98,61 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    96,689 %

    image-classification 85,543 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

PiT XS Distilled 224 — модель классификации изображений на основе Pooling-based Vision Transformer (PiT), представленная авторами статьи «Rethinking Spatial Dimensions of Vision Transformers» и доступная в библиотеке timm. Она обучена на ImageNet-1k с токенной дистилляцией и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов.

Модель содержит около 11 млн параметров, обрабатывает изображения размером 224 × 224 и требует примерно 1,4 GMAC на проход. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Обучение на ImageNet-1k ориентирует её на распознавание объектов из этого набора классов.

Сценарии применения

  • классификация объектов на изображениях
  • извлечение карт визуальных признаков
  • получение эмбеддингов изображений
  • создание компактного визуального backbone для компьютерного зрения

Ограничения

Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных. Для обработки изображений ожидается размер 224 × 224.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for pit_xs_distilled_224.in1k

A PiT (Pooling based Vision Transformer) image classification model. Trained on ImageNet-1k with token based distillation 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('pit_xs_distilled_224.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(
    'pit_xs_distilled_224.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, 27, 27])
    #  torch.Size([1, 192, 14, 14])
    #  torch.Size([1, 384, 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(
    'pit_xs_distilled_224.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, 2, 384) 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

@inproceedings{heo2021pit,
  title={Rethinking Spatial Dimensions of Vision Transformers},
  author={Byeongho Heo and Sangdoo Yun and Dongyoon Han and Sanghyuk Chun and Junsuk Choe and Seong Joon Oh},
  booktitle = {International Conference on Computer Vision (ICCV)},
  year={2021},
}

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
c97dba2

0 моделей