/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
26 мая 2025

swiftformer_l3.dist_in1k

Классификация изображенийИзображение → label3 профессии

SwiftFormer L3 distill — модель для классификации изображений ImageNet-1k и извлечения визуальных признаков и эмбеддингов.

140скачиваний 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.

  • sketch

    top5 · выше — лучше

    Результат

    54,53 %

    image-classification 35,118 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    99,32 %

    image-classification 95,4 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    47,923 %

    image-classification 63,207 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    72,3 %

    image-classification 90,57 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    97,812 %

    image-classification 88,129 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,26 %

    image-classification 95,95 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    24,28 %

    image-classification 57,6 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    82,994 %

    image-classification 96,236 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SwiftFormer L3 distill для ImageNet-1k — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи SwiftFormer и представленная в библиотеке timm. Архитектура SwiftFormer использует эффективное аддитивное внимание для мобильных задач компьютерного зрения в реальном времени. Модель содержит 28,5 млн параметров, требует изображение размером 224 × 224 пикселя и выполняет около 4,0 GMACs вычислений на изображение.

Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; заявлена лицензия Apache-2.0. Карточка не описывает поддержку языкового ввода или генерацию текста.

Сценарии применения

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

Ограничения

Модель рассчитана на изображения размером 224 × 224 пикселя и обучена на классах ImageNet-1k; её назначение не включает обработку текста или мультимодальный диалог.

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 swiftformer_l3.dist_in1k

A SwiftFormer 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('swiftformer_l3.dist_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(
    'swiftformer_l3.dist_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, 64, 56, 56])
    #  torch.Size([1, 128, 28, 28])
    #  torch.Size([1, 320, 14, 14])
    #  torch.Size([1, 512, 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(
    'swiftformer_l3.dist_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, 512, 7, 7) 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{Shaker_2023_ICCV,
  author    = {Shaker, Abdelrahman and Maaz, Muhammad and Rasheed, Hanoona and Khan, Salman and Yang, Ming-Hsuan and Khan, Fahad Shahbaz},
  title     = {SwiftFormer: Efficient Additive Attention for Transformer-based Real-time Mobile Vision Applications},
  booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
  year      = {2023},
}

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
2acaa0c

0 моделей