/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
17 ноя 2023

vit_large_patch16_224.orig_in21k

Эмбеддинги изображенийИзображение → embedding3 профессии

Крупная модель ViT-Large, предварительно обученная на ImageNet-21k и предназначенная для извлечения признаков из изображений и дообучения под задачи компьютерного зрения.

1 314скачиваний за 30 дней2лайкавеса обновлены21 янв 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 крупная модель Vision Transformer (ViT) для извлечения признаков из изображений. Её предварительно обучили авторы статьи «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale» на ImageNet-21k в JAX, а затем перенёс в PyTorch Ross Wightman. Модель распространяется в репозитории timm/vit_large_patch16_224.orig_in21k и использует библиотеку timm.

Архитектура ViT-Large разбивает изображение на патчи 16×16; ожидаемый размер изображения — 224×224. В модели около 303,3 млн параметров. Классификационной головы нет: модель предназначена прежде всего для получения признаковых представлений и как основа для последующего дообучения под классификацию или другие задачи компьютерного зрения.

Модель принимает изображения и выдаёт признаки. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения качества или области применения; для практических задач может потребоваться отдельная классификационная голова или дообучение.

Сценарии применения

  • извлечение признаковых векторов изображений
  • подготовка эмбеддингов изображений для поиска
  • использование визуального backbone в компьютерном зрении
  • дообучение классификатора изображений на своей выборке

Ограничения

У модели отсутствует классификационная голова, поэтому для прямой классификации потребуется добавить её и, как правило, дообучить модель. Входной размер, указанный в карточке, — 224×224; производительность на других размерах или доменах не описана.

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 vit_large_patch16_224.orig_in21k

A Vision Transformer (ViT) image classification model. Pretrained on ImageNet-21k in JAX by paper authors, ported to PyTorch by Ross Wightman. This model does not have a classification head, useful for features and fine-tune only.

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_large_patch16_224.orig_in21k', 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)

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_large_patch16_224.orig_in21k',
    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, 197, 1024) 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

@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}
}
@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-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
4dc9de3

0 моделей