ConvNeXT (modelo de gran tamaño)

facebook

Clasificación de imagen

ConvNeXT es un modelo puramente convolucional (ConvNet), inspirado en el diseño de Transformers de Visión, que afirma superarlos. Los autores comenzaron a partir de un ResNet y 'modernizaron' su diseño tomando como inspiración el Swin Transformer. El modelo ConvNeXT fue entrenado en ImageNet-1k a resolución 224x224. Fue introducido en el artículo 'A ConvNet for the 2020s' por Liu et al. y lanzado por primera vez en este repositorio.

Como usar

Aquí se muestra cómo usar este modelo para clasificar una imagen del conjunto de datos COCO 2017 en una de las 1,000 clases de ImageNet:
from transformers import ConvNextImageProcessor, ConvNextForImageClassification
import torch
from datasets import load_dataset

dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]

processor = ConvNextImageProcessor.from_pretrained("facebook/convnext-large-224")
model = ConvNextForImageClassification.from_pretrained("facebook/convnext-large-224")

inputs = processor(image, return_tensors="pt")

with torch.no_grad():
    logits = model(**inputs).logits

# el modelo predice una de las 1000 clases de ImageNet
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

Para más ejemplos de código, consulte la documentación.

Funcionalidades

Modelo puramente convolucional
Supera a los Transformers de Visión
Entrenado en ImageNet-1k a resolución 224x224
Inspirado en el diseño del Swin Transformer

Casos de uso

Clasificación de imágenes