/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
2 июл 2025

vit_small_patch16_rope_mixed_224.naver_in1k

Классификация изображенийИзображение → label3 профессии

Компактная Vision Transformer модель, обученная на ImageNet-1k для классификации изображений и извлечения визуальных признаков.

261скачиваний за 30 дней0лайковвеса обновлены2 июл 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-r-clean

    top5 · выше — лучше

    Результат

    98,68 %

    image-classification 94,45 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top5 · выше — лучше

    Результат

    95,056 %

    image-classification 81,252 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    98,58 %

    image-classification 94,7 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    70,92 %

    image-classification 88,82 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top1 · выше — лучше

    Результат

    86,831 %

    image-classification 96,74 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    52,453 %

    image-classification 25,227 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    44,347 %

    image-classification 56,393 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    51,506 %

    image-classification 34,088 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ROPE-ViT — модель семейства Vision Transformer для классификации изображений и извлечения признаков. Эта версия с архитектурой ViT-Small, патчами 16×16 и смешанным rotary position embedding с обучаемыми частотами создана авторами работы и обучена на ImageNet-1k. В модели около 22 млн параметров; исходное разрешение изображений — 224×224 пикселя.

Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. В карточке описана способность семейства ROPE-ViT сохранять или повышать точность при проверке на разрешении 320×320, однако приведённые численные результаты относятся к вариантам ViT-Large и не подтверждают конкретную точность этой версии ViT-Small.

Модель принимает изображения и выдаёт предсказанные классы, признаки или эмбеддинги в зависимости от используемого режима. Она предназначена для изображений, а не для понимания текста или других модальностей. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация изображений по классам ImageNet-1k
  • Извлечение карт признаков из изображений
  • Получение эмбеддингов изображений для поиска и сравнения
  • Использование как визуального backbone в компьютерном зрении

Ограничения

Обучение и назначение ориентированы на ImageNet-1k; точность этой версии ViT-Small в карточке отдельно не приведена. Исходное разрешение составляет 224×224 пикселя, а результаты экстраполяции до 320×320 указаны для вариантов ViT-Large.

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_small_patch16_rope_mixed_224.naver_in1k

A ROPE-ViT model with mixed-mode ROPE (learnable frequencies) for image classification. Trained on ImageNet-1k by paper authors.

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_small_patch16_rope_mixed_224.naver_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_small_patch16_rope_mixed_224.naver_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, 384, 14, 14])
    #  torch.Size([1, 384, 14, 14])
    #  torch.Size([1, 384, 14, 14])

    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_small_patch16_rope_mixed_224.naver_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, 384) shaped tensor

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

Model Comparison

By Top-1 (224x224 resolution)

modelimg_sizetop1top5param_count
vit_large_patch16_rope_mixed_ape_224.naver_in1k22484.8497.122304.4
vit_large_patch16_rope_mixed_224.naver_in1k22484.82897.116304.2
vit_large_patch16_rope_ape_224.naver_in1k22484.6597.154304.37
vit_large_patch16_rope_224.naver_in1k22484.64897.122304.17
vit_base_patch16_rope_mixed_ape_224.naver_in1k22483.89496.75486.59
vit_base_patch16_rope_mixed_224.naver_in1k22483.80496.71286.44
vit_base_patch16_rope_ape_224.naver_in1k22483.78296.6186.59
vit_base_patch16_rope_224.naver_in1k22483.71896.67286.43
vit_small_patch16_rope_224.naver_in1k22481.2395.02221.98
vit_small_patch16_rope_mixed_224.naver_in1k22481.21695.02221.99
vit_small_patch16_rope_ape_224.naver_in1k22481.00495.01622.06
vit_small_patch16_rope_mixed_ape_224.naver_in1k22480.98694.97622.06

Extrapolation Performance (320x320 resolution)

modelimg_sizetop1top5param_count
vit_large_patch16_rope_mixed_224.naver_in1k32085.65697.474304.2
vit_large_patch16_rope_mixed_ape_224.naver_in1k32085.59497.508304.4
vit_large_patch16_rope_ape_224.naver_in1k32085.34497.438304.37
vit_large_patch16_rope_224.naver_in1k32085.25897.42304.17
vit_base_patch16_rope_mixed_224.naver_in1k32084.6597.10686.44
vit_base_patch16_rope_mixed_ape_224.naver_in1k32084.5897.14486.59
vit_base_patch16_rope_ape_224.naver_in1k32084.36896.96886.59
vit_base_patch16_rope_224.naver_in1k32084.29696.89886.43
vit_small_patch16_rope_mixed_224.naver_in1k32082.23895.59221.99
vit_small_patch16_rope_mixed_ape_224.naver_in1k32082.05695.58622.06
vit_small_patch16_rope_ape_224.naver_in1k32081.94495.50622.06
vit_small_patch16_rope_224.naver_in1k32081.4695.14221.98

ROPE-ViT demonstrates strong extrapolation performance when tested at higher resolutions than training resolution (224x224), maintaining or improving accuracy at 320x320.

Citation

@inproceedings{heo2024rotary,
  title={Rotary position embedding for vision transformer},
  author={Heo, Byeongho and Park, Song and Han, Dongyoon and Yun, Sangdoo},
  booktitle={European Conference on Computer Vision},
  pages={289--305},
  year={2024},
  organization={Springer}
}

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
a2e714c

0 моделей