/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
13 апр 2023

xcit_medium_24_p8_384.fb_dist_in1k

Классификация изображенийИзображение → label3 профессии

XCiT Medium — трансформерная модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-1k.

85скачиваний 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.

  • sketch

    top1 · выше — лучше

    Результат

    40,123 %

    image-classification 60,522 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet

    top1 · выше — лучше

    Результат

    85,842 %

    image-classification 97,602 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenetv2-matched-frequency

    top1 · выше — лучше

    Результат

    76,3 %

    image-classification 92,99 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a-clean

    top5 · выше — лучше

    Результат

    99,51 %

    image-classification 97,3 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r

    top1 · выше — лучше

    Результат

    53,337 %

    image-classification 68,097 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-a

    top5 · выше — лучше

    Результат

    83,64 %

    image-classification 56,64 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-r-clean

    top5 · выше — лучше

    Результат

    99,62 %

    image-classification 96,78 %
    timm

    Публичная таблицаревизия не подтверждена

  • imagenet-real

    top5 · выше — лучше

    Результат

    98,367 %

    image-classification 89,809 %
    timm

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

XCiT Medium 24 P8 384 — модель классификации изображений на основе архитектуры Cross-Covariance Image Transformer, опубликованная авторами работы XCiT и доступная через timm. Она предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 84,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; её также можно использовать как визуальный backbone для получения эмбеддингов изображений.

Модель подходит для классификации изображений и извлечения признаков в компьютерном зрении. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по категориям ImageNet
  • извлечение эмбеддингов изображений
  • использование визуального backbone в задачах компьютерного зрения

Ограничения

Модель обучена на ImageNet-1k, поэтому её классы и качество могут не соответствовать другим предметным областям без дополнительной адаптации. Для классификации ожидаются изображения размером 384 × 384 пикселя.

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 xcit_medium_24_p8_384.fb_dist_in1k

A XCiT (Cross-Covariance Image Transformer) image classification model. Pretrained on ImageNet-1k with distillation 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('xcit_medium_24_p8_384.fb_dist_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(
    'xcit_medium_24_p8_384.fb_dist_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, 2305, 512) shaped tensor

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

Citation

@article{el2021xcit,
  title={XCiT: Cross-Covariance Image Transformers},
  author={El-Nouby, Alaaeldin and Touvron, Hugo and Caron, Mathilde and Bojanowski, Piotr and Douze, Matthijs and Joulin, Armand and Laptev, Ivan and Neverova, Natalia and Synnaeve, Gabriel and Verbeek, Jakob and others},
  journal={arXiv preprint arXiv:2106.09681},
  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
2d90ccd

0 моделей