Clasificación de imágenes```python 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('convnextv2_femto.fcmae_ft_in1k', pretrained=True) model = model.eval()

obtener transformaciones específicas del modelo (normalización, cambio de tamaño)

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 imagen única en lote de 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Extracción de mapa de características```python
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(
'convnextv2_femto.fcmae_ft_in1k',
pretrained=True,
features_only=True,
)
model = model.eval()

# obtener transformaciones específicas del modelo (normalización, cambio de tamaño)
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 imagen única en lote de 1

for o in output:
# imprimir forma de cada mapa de características en la salida
# por ejemplo:
# torch.Size([1, 48, 56, 56])
# torch.Size([1, 96, 28, 28])
# torch.Size([1, 192, 14, 14])
# torch.Size([1, 384, 7, 7])
print(o.shape)

Embeddings de imagen```python 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( 'convnextv2_femto.fcmae_ft_in1k', pretrained=True, num_classes=0, # eliminar nn.Linear del clasificador ) model = model.eval()

obtener transformaciones específicas del modelo (normalización, cambio de tamaño)

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)) # la salida es un tensor de forma (batch_size, num_features)

o equivalente (sin necesidad de establecer num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))

la salida no es agrupada, un tensor de forma (1, 384, 7, 7)

output = model.forward_head(output, pre_logits=True)

la salida es un tensor de forma (1, num_features)