/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
15 дек 2025

vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_in1k

Классификация изображенийИзображение → label

Компактная модель ViT из timm для классификации изображений ImageNet-1k и извлечения признаков.

114скачиваний за 30 дней0лайковвеса обновлены28 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель классификации изображений на основе Vision Transformer (ViT), разработанная для библиотеки timm. Вариант dwee использует патчи 16×16, регистровый токен, глобальное усреднение признаков и дифференциальное внимание; модель обучена на ImageNet-1k. В ней 13,4 млн параметров, расчётный размер входного изображения — 256×256 пикселей.

Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка не приводит отдельную метрику качества для данного варианта.

Сценарии применения

  • классификация изображений по категориям ImageNet-1k
  • извлечение признаков из изображений
  • получение эмбеддингов изображений
  • создание базового энкодера изображений для компьютерного зрения

Ограничения

Модель рассчитана на входные изображения размером 256×256 и обучена на ImageNet-1k, поэтому её категории и качество могут не соответствовать специализированным или внепредметным данным. В карточке не приведена отдельная оценка качества этого варианта.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_in1k

A Vision Transformer (ViT) image classification model. This is a timm specific variation of the architecture with registers, global average pooling, differential attention.

There are a number of models in the lower end of model scales that originate in timm:

variantwidthmlp width (mult)headsdepthtimm orig
tiny192768 (4)312n
wee2561280 (5)414y
dwee2561280 (5)414 (differential)y
pwee2561280 (5)416 (parallel)y
dpwee2561280 (5)416 (parallel + differential)y
small3841536 (4)612n
little3201792 (5.6)514y
dlittle3201792 (5.6)514 (differential)y
medium5122048 (4)812y
mediumd5122048 (4)820y
betwixt6402560 (4)1012y
base7683072 (4)1212n
so150m28322176 (2.57)1321y
so150m8962304 (2.62)1418y

Trained on ImageNet-1k in timm using recipe template described below.

Recipe details:

  • Searching for better baselines. Influced by Swin/DeiT/DeiT-III but w/ increased weight decay, moderate (in12k) to high (in1k) augmentation. Layer-decay used for fine-tune. Some runs used BCE and/or NAdamW instead of AdamW.
  • See train_hparams.yaml for specifics of each model.

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('vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_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(
    'vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_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, 256, 16, 16])
    #  torch.Size([1, 256, 16, 16])
    #  torch.Size([1, 256, 16, 16])

    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(
    'vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_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, 257, 256) shaped tensor

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

Model Comparison

modeltop1top5param_countimg_size
vit_so150m2_patch16_reg1_gap_448.sbb2_e200_in12k_ft_in1k88.06898.588136.33448
vit_so150m2_patch16_reg1_gap_384.sbb2_e200_in12k_ft_in1k87.93098.502136.33384
vit_so150m2_patch16_reg1_gap_256.sbb2_e200_in12k_ft_in1k87.30898.326136.33256
vit_mediumd_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k87.43898.25664.11384
vit_mediumd_patch16_reg4_gap_256.sbb2_e200_in12k_ft_in1k86.60897.93464.11256
vit_betwixt_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k86.59498.0260.4384
vit_mediumd_patch16_reg4_gap_256.sbb_in12k_ft_in1k86.20297.87464.11256
vit_betwixt_patch16_reg4_gap_256.sbb2_e200_in12k_ft_in1k85.73497.6160.4256
vit_betwixt_patch16_reg4_gap_256.sbb_in12k_ft_in1k85.41897.48060.4256
vit_medium_patch16_reg4_gap_256.sbb_in12k_ft_in1k84.93097.38638.88256
vit_mediumd_patch16_rope_reg1_gap_256.sbb_in1k84.32296.81263.95256
vit_betwixt_patch16_rope_reg4_gap_256.sbb_in1k83.90696.68460.23256
vit_base_patch16_rope_reg1_gap_256.sbb_in1k83.86696.6786.43256
vit_medium_patch16_rope_reg1_gap_256.sbb_in1k83.8196.82438.74256
vit_little_patch16_reg1_gap_256.sbb_in12k_ft_in1k83.77496.97222.52256
vit_betwixt_patch16_reg4_gap_256.sbb_in1k83.70696.61660.4256
vit_betwixt_patch16_reg1_gap_256.sbb_in1k83.62896.54460.4256
vit_medium_patch16_reg4_gap_256.sbb_in1k83.4796.62238.88256
vit_medium_patch16_reg1_gap_256.sbb_in1k83.46296.54838.88256
vit_dlittle_patch16_reg1_gap_256.sbb_nadamuon_in1k83.21296.35822.52256
vit_little_patch16_reg4_gap_256.sbb_in1k82.51496.26222.52256
vit_dwee_patch16_reg1_gap_256.sbb_nadamuon_in1k81.80895.89213.43256
vit_dpwee_patch16_reg1_gap_256.sbb_nadamuon_in1k81.66095.80815.25256
vit_dwee_patch16_reg1_gap_256.sbb_in1k80.99895.66213.43256
vit_dpwee_patch16_reg1_gap_256.sbb_in1k80.88095.63015.25256
vit_wee_patch16_reg1_gap_256.sbb_in1k80.25895.36013.42256
vit_pwee_patch16_reg1_gap_256.sbb_in1k80.07295.13615.25256

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}}
}
@article{darcet2023vision,
  title={Vision Transformers Need Registers},
  author={Darcet, Timoth{'e}e and Oquab, Maxime and Mairal, Julien and Bojanowski, Piotr},
  journal={arXiv preprint arXiv:2309.16588},
  year={2023}
}
@article{ye2024differential,
  title={Differential transformer},
  author={Ye, Tianzhu and Dong, Li and Xia, Yuqing and Sun, Yutao and Zhu, Yi and Huang, Gao and Wei, Furu},
  journal={arXiv preprint arXiv:2410.05258},
  year={2024}
}
@article{dosovitskiy2020vit,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey and Beyer, Lucas and Kolesnikov, Alexander and Weissenborn, Dirk and Zhai, Xiaohua and Unterthiner, Thomas and  Dehghani, Mostafa and Minderer, Matthias and Heigold, Georg and Gelly, Sylvain and Uszkoreit, Jakob and Houlsby, Neil},
  journal={ICLR},
  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
aed5f6a

0 моделей