/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
17 фев 2025

vit_so150m2_patch16_reg1_gap_448.sbb_e200_in12k_ft_in1k

Классификация изображенийИзображение → label3 профессии

ViT-модель timm для классификации изображений ImageNet, также пригодная для извлечения визуальных признаков и эмбеддингов.

128скачиваний за 30 дней1лайквеса обновлены17 фев 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

    top1 · выше — лучше

    Результат

    88,074 %

    image-classification 98,558 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top1 · выше — лучше

    Результат

    77,24 %

    image-classification 93,76 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    98,742 %

    image-classification 90,717 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,81 %

    image-classification 98,4 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    76,726 %

    image-classification 54,864 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    97,55 %

    image-classification 99,78 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    71,17 %

    image-classification 83,153 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top5 · выше — лучше

    Результат

    95,19 %

    image-classification 79,18 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, один регистр и глобальное среднее пулингование; число параметров — около 136,5 млн, рекомендованный размер изображения — 448×448 пикселей.

Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. В README приведены результаты на ImageNet-1k: top-1 88,068% и top-5 98,588% для варианта с размером изображения 448.

Модель работает с изображениями и выдаёт классы; сведения о поддержке естественных языков неприменимы. Для использования необходимы вычислительные ресурсы, соответствующие ViT с 136,5 млн параметров и обработке изображений высокого разрешения. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • распознавание объектов на фотографиях
  • извлечение признаков для компьютерного зрения
  • получение эмбеддингов изображений для поиска и сравнения

Ограничения

Модель обучена и настроена на классы ImageNet-1k, поэтому её классификатор ориентирован на этот набор категорий. Для заявленного режима требуется подавать изображения размером 448×448 пикселей; высокое разрешение и около 136,5 млн параметров повышают вычислительные требования.

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_so150m2_patch16_reg1_gap_448.sbb_e200_in12k_ft_in1k

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

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
pwee2561280 (5)416 (parallel)y
small3841536 (4)612n
little3201792 (5.6)514y
medium5122048 (4)812y
mediumd5122048 (4)820y
betwixt6402560 (4)1012y
base7683072 (4)1212n
so150m28322176 (2.57)1321y
so150m8962304 (2.62)1418y

Pretrained on ImageNet-12k and fine-tuned on ImageNet-1k by Ross Wightman 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_so150m2_patch16_reg1_gap_448.sbb_e200_in12k_ft_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_so150m2_patch16_reg1_gap_448.sbb_e200_in12k_ft_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, 832, 28, 28])
    #  torch.Size([1, 832, 28, 28])
    #  torch.Size([1, 832, 28, 28])

    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_so150m2_patch16_reg1_gap_448.sbb_e200_in12k_ft_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, 785, 832) 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_little_patch16_reg4_gap_256.sbb_in1k82.51496.26222.52256
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{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
eb52296

0 моделей