/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
30 сен 2024

test_vit3.r160_in1k

Классификация изображенийИзображение → label3 профессии

Компактная тестовая модель Vision Transformer для классификации изображений ImageNet-1k, извлечения признаков и проверки пайплайнов компьютерного зрения.

940скачиваний за 30 дней0лайковвеса 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-real

    top5 · выше — лучше

    Результат

    85,576 %

    image-classification 64,421 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    17,133 %

    image-classification 3,24 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    92,35 %

    image-classification 77,58 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    24,623 %

    image-classification 41,737 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    45,39 %

    image-classification 70,39 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    80,748 %

    image-classification 56,908 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    93,77 %

    image-classification 79,05 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    13,512 %

    image-classification 28,185 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

test_vit3.r160_in1k — очень небольшая модель Vision Transformer для классификации изображений и проверки работоспособности компьютерного зрения, созданная Россом Вайтманом в рамках PyTorch Image Models (timm). Модель обучена на ImageNet-1k и содержит около 0,9 млн параметров; штатный размер входного изображения — 160 × 160 пикселей.

Модель присваивает изображению метки классов ImageNet-1k. Также её можно использовать как основу для извлечения карт признаков и векторов изображений. В README приведена точность Top-1 56,894% и Top-5 80,748% при размере изображения 160 пикселей.

Чекпойнт помечен как тестовый и предназначен прежде всего для тестов и sanity checks, поэтому его качество и малый размер не делают его заменой более мощной модели для прикладной классификации. Репозиторий использует форматы PyTorch и safetensors; лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по классам ImageNet-1k
  • проверка пайплайна классификации изображений
  • тестирование загрузки и запуска моделей timm
  • извлечение карт признаков из изображений
  • получение векторов изображений

Ограничения

Модель предназначена для тестов и sanity checks, а не для требовательного прикладного распознавания; её точность на ImageNet-1k при входе 160 × 160 составляет 56,894% Top-1. README указывает размер 0,9 млн параметров, поэтому её возможности ограничены по сравнению с более крупными классификаторами.

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 test_vit3.r160_in1k

A very small test Vision Transformer image classification model for testing and sanity checks. Trained on ImageNet-1k by Ross Wightman.

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('test_vit3.r160_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(
    'test_vit3.r160_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, 10, 10])
    #  torch.Size([1, 96, 10, 10])
    #  torch.Size([1, 96, 10, 10])

    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(
    'test_vit3.r160_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, 101, 96) shaped tensor

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

Model Comparison

By Top-1

modelimg_sizetop1top5param_count
test_vit3.r160_in1k19258.11681.8760.93
test_vit3.r160_in1k16056.89480.7480.93
test_convnext3.r160_in1k19254.55879.3560.47
test_convnext2.r160_in1k19253.6278.6360.48
test_convnext2.r160_in1k16053.5178.5260.48
test_convnext3.r160_in1k16053.32878.3180.47
test_convnext.r160_in1k19248.53274.9440.27
test_nfnet.r160_in1k19248.29873.4460.38
test_convnext.r160_in1k16047.76474.1520.27
test_nfnet.r160_in1k16047.61672.8980.38
test_efficientnet.r160_in1k19247.16471.7060.36
test_efficientnet_evos.r160_in1k19246.92471.530.36
test_byobnet.r160_in1k19246.68871.6680.46
test_efficientnet_evos.r160_in1k16046.49871.0060.36
test_efficientnet.r160_in1k16046.45471.0140.36
test_byobnet.r160_in1k16045.85270.9960.46
test_efficientnet_ln.r160_in1k19244.53869.9740.36
test_efficientnet_gn.r160_in1k19244.44869.750.36
test_efficientnet_ln.r160_in1k16043.91669.4040.36
test_efficientnet_gn.r160_in1k16043.8869.1620.36
test_vit2.r160_in1k19243.45469.7980.46
test_resnet.r160_in1k19242.37668.7440.47
test_vit2.r160_in1k16042.23268.9820.46
test_vit.r160_in1k19241.98468.640.37
test_resnet.r160_in1k16041.57867.9560.47
test_vit.r160_in1k16040.94667.3620.37

Citation

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

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
34b32de

0 моделей