/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
13 апр 2023

volo_d2_224.sail_in1k

Классификация изображенийИзображение → label3 профессии

VOLO-D2 — модель для классификации изображений на 1000 классов ImageNet-1k и извлечения визуальных признаков.

190скачиваний 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-a-clean

    top1 · выше — лучше

    Результат

    96,99 %

    image-classification 99,39 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top1 · выше — лучше

    Результат

    96,42 %

    image-classification 99,51 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    75,47 %

    image-classification 92,47 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    98,207 %

    image-classification 89,329 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    85,204 %

    image-classification 97,186 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top5 · выше — лучше

    Результат

    64,56 %

    image-classification 49,773 %
    timm

    Публичная таблицаревизия не подтверждена

  • sketch

    top5 · выше — лучше

    Результат

    56,48 %

    image-classification 36,619 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    75,133 %

    image-classification 45,907 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VOLO-D2 — модель классификации изображений семейства Vision Outlooker, опубликованная в timm и обученная авторами статьи на ImageNet-1k с разметкой токенов. Она предназначена для определения классов на изображениях и может использоваться как визуальный backbone для извлечения признаков. Модель содержит 58,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя.

Репозиторий предоставляет веса PyTorch и safetensors; для работы с моделью используется библиотека timm. Apache-2.0 разрешает её коммерческое и иное использование на условиях этой лицензии. Карточка также показывает сценарий получения эмбеддингов изображений, однако основной задачей остаётся классификация. Описанные характеристики и обучение относятся к ImageNet-1k; качество на других наборах данных отдельно не указано.

Сценарии применения

  • классификация объектов на изображениях
  • распознавание классов ImageNet-1k
  • извлечение признаков из изображений
  • получение эмбеддингов изображений
  • использование как визуального backbone

Ограничения

Модель обучена на ImageNet-1k и рассчитана на входные изображения 224 × 224; перенос качества на другие наборы данных не описан. Карточка не приводит результатов оценки на сторонних бенчмарках.

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 volo_d2_224.sail_in1k

A VOLO (Vision Outlooker) image classification model. Trained on ImageNet-1k with token labelling 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('volo_d2_224.sail_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(
    'volo_d2_224.sail_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

Citation

@article{yuan2022volo,
  title={Volo: Vision outlooker for visual recognition},
  author={Yuan, Li and Hou, Qibin and Jiang, Zihang and Feng, Jiashi and Yan, Shuicheng},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  year={2022},
  publisher={IEEE}
}

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
1b20b9b

0 моделей