/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
23 дек 2022

vit_relpos_base_patch32_plus_rpn_256.sw_in1k

Классификация изображенийИзображение → label3 профессии

Вариант Vision Transformer из timm, обученный на ImageNet-1k для классификации изображений и извлечения визуальных признаков.

270скачиваний 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.

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    67,27 %

    image-classification 86,51 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    94,11 %

    image-classification 79,508 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    42,333 %

    image-classification 15,027 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    98,1 %

    image-classification 93,75 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    48,716 %

    image-classification 30,225 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    58,43 %

    image-classification 43,153 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    84,593 %

    image-classification 96,02 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    93,17 %

    image-classification 98,32 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель timm/vit_relpos_base_patch32_plus_rpn_256.sw_in1k — вариант Vision Transformer для классификации изображений и извлечения признаков, распространяемый в библиотеке timm. Архитектура использует относительные позиционные эмбеддинги, блоки с residual post-normalization, не содержит class token и формирует итоговое представление глобальным усреднением токенов.

Модель обучена на ImageNet-1k и рассчитана на обработку изображений размером 256 × 256 пикселей. В карточке указано 119,4 млн параметров и вычислительная сложность 7,6 GMACs. Её можно применять для предсказания классов изображений и получения визуальных эмбеддингов для последующих задач компьютерного зрения. В качестве ориентиров при обучении использовались рецепты Swin Transformer, DeiT и ConvNeXt.

Лицензия — Apache-2.0. Качество и надёжность модели за пределами ImageNet-подобных данных карточкой не охарактеризованы; для прикладного использования в других доменах может потребоваться дополнительная оценка или дообучение.

Сценарии применения

  • классификация объектов на изображении
  • получение эмбеддингов изображений для поиска по сходству
  • извлечение признаков для последующей обработки компьютерным зрением

Ограничения

Модель обучена на ImageNet-1k, поэтому её качество на изображениях и классах вне распределения обучения может отличаться. Входной размер, указанный в карточке, составляет 256 × 256 пикселей.

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_relpos_base_patch32_plus_rpn_256.sw_in1k

A Vision Transformer (ViT) image classification model. This is a timm specific variation of the ViT architecture with relative position embeddings and residual post normalization blocks, no class token, and final representation via global average pool of tokens. Trained on ImageNet-1k in timm using recipe template described below.

Recipe details:

  • Based on Swin Transformer train / pretrain recipe with modifications (related to both DeiT and ConvNeXt recipes)
  • AdamW optimizer, gradient clipping, EMA weight averaging
  • Cosine LR schedule with warmup

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_relpos_base_patch32_plus_rpn_256.sw_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)

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_relpos_base_patch32_plus_rpn_256.sw_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, 64, 896) 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

@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}}
}
@inproceedings{liu2021swinv2,
  title={Swin Transformer V2: Scaling Up Capacity and Resolution}, 
  author={Ze Liu and Han Hu and Yutong Lin and Zhuliang Yao and Zhenda Xie and Yixuan Wei and Jia Ning and Yue Cao and Zheng Zhang and Li Dong and Furu Wei and Baining Guo},
  booktitle={International Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2022}
}
@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
c5a94b9

0 моделей