/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
23 дек 2022

vit_relpos_medium_patch16_cls_224.sw_in1k

Классификация изображенийИзображение → label

ViT-модель из timm для классификации изображений ImageNet и извлечения визуальных признаков.

136скачиваний 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

    top1 · выше — лучше

    Результат

    87,358 %

    image-classification 97,455 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    28,733 %

    image-classification 60,04 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    95,28 %

    image-classification 99,12 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    72,09 %

    image-classification 90,29 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    96,076 %

    image-classification 82,558 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top1 · выше — лучше

    Результат

    95,49 %

    image-classification 98,95 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top1 · выше — лучше

    Результат

    35,727 %

    image-classification 54,939 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    47,627 %

    image-classification 61,787 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель Vision Transformer для классификации изображений и извлечения признаков, опубликованная в семействе timm. Архитектура использует патчи 16×16, относительные позиционные эмбеддинги и CLS-токен; итоговое представление формируется по CLS-токену. Модель содержит 38,8 млн параметров, рассчитана на изображения размером 224×224 и обучена на ImageNet-1k.

Модель подходит для классификации изображений и получения эмбеддингов как визуального backbone в системах компьютерного зрения. В карточке описан рецепт обучения на основе рецепта Swin Transformer с модификациями из рецептов DeiT и ConvNeXt, оптимизатором AdamW, обрезкой градиентов, усреднением EMA и косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

Сценарии применения

  • классификация объектов на изображениях
  • получение эмбеддингов изображений
  • извлечение визуальных признаков для компьютерного зрения

Ограничения

Модель обучена на ImageNet-1k и рассчитана на входные изображения размером 224×224; перенос на другие наборы классов или разрешения может требовать дополнительной настройки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_relpos_medium_patch16_cls_224.sw_in1k

A Vision Transformer (ViT) image classification model. This is a timm specific variation of the ViT architecture with relative position embeddings, class token, and final representation via class token. 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_medium_patch16_cls_224.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_medium_patch16_cls_224.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, 197, 512) 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
19af7af

0 моделей