/ Модель

Характеристики

Лицензия
MIT
Библиотека
timm
Опубликована
26 мая 2025

shvit_s3.in1k

Классификация изображенийИзображение → label3 профессии

SHViT S3 — компактный визуальный трансформер для классификации изображений и извлечения признаков.

216скачиваний за 30 дней0лайковвеса обновлены26 мая 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

    top1 · выше — лучше

    Результат

    77,356 %

    image-classification 93,31 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    98,55 %

    image-classification 92,76 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    83,722 %

    image-classification 95,884 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    85,85 %

    image-classification 65,09 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    98,15 %

    image-classification 92,63 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    8,48 %

    image-classification 34,44 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    56,107 %

    image-classification 39,95 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    28,234 %

    image-classification 46,698 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SHViT S3 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, разработанный авторами соответствующей научной работы и обученный на ImageNet-1k. Версия с суффиксом in1k содержит около 14,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя.

Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и получения векторных представлений изображений. В карточке указана вычислительная сложность 0,6 GMACs. Это модель для обработки изображений; поддерживаемые естественные языки не заявлены.

Веса доступны в форматах PyTorch и safetensors через библиотеку timm. Лицензия — MIT. Карточка не описывает ограничения качества или области применения помимо обучения на ImageNet-1k.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • извлечение карт признаков из изображений
  • получение векторных представлений изображений
  • использование визуального backbone в компьютерном зрении

Ограничения

Обучена на ImageNet-1k и указана для входных изображений размером 224 × 224 пикселя; перенос на другие домены карточкой не оценён.

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 shvit_s3.in1k

A SHViT (Single-Head Vision Transformer) image classification model. Trained 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('shvit_s3.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(
    'shvit_s3.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, 192, 14, 14])
    #  torch.Size([1, 352, 7, 7])
    #  torch.Size([1, 448, 4, 4])

    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(
    'shvit_s3.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, 448, 4, 4) 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{yun2024shvit,
  author={Yun, Seokju and Ro, Youngmin},
  title={SHViT: Single-Head Vision Transformer with Memory Efficient Macro Design},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  pages={5756--5767},
  year={2024}
}

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
021d87d

0 моделей