timm/eva02_base_patch14_448.mim_in22k_ft_in1k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes EVA02. Preentrenado en ImageNet-22k con modelado de imágenes enmascaradas (usando EVA-CLIP como maestro de MIM) y ajustado en ImageNet-1k por los autores del artículo. Los modelos EVA-02 son transformadores de visión con promediado de valores, SwiGLU, Embeddings de Posición Rotatoria (ROPE) y LN extra en MLP (para Base y Large). NOTA: Los puntos de control de timm son float32 para consistencia con otros modelos. Los puntos de control originales son float16 o bfloat16 en algunos casos, consulte los originales si se prefiere eso.

Como usar

Clasificación de Imágenes
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('eva02_base_patch14_448.mim_in22k_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)) # agregar dimensión de lote para una sola imagen

top5_probabilidades, top5_indices_de_clase = torch.topk(output.softmax(dim=1) * 100, k=5)

Embeddings de Imágenes
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(
'eva02_base_patch14_448.mim_in22k_ft_in1k',
pretrained=True,
num_classes=0, # eliminar clasificador nn.Linear
)
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 la forma (batch_size, num_features)

# o de manera equivalente (sin necesidad de establecer num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# la salida no es agrupada, tensor de la forma (1, 1025, 768)

output = model.forward_head(output, pre_logits=True)
# la salida es un tensor de la forma (1, num_features)

Funcionalidades

Tipo de modelo: clasificación de imágenes / backbone de características
Parámetros (M): 87.1
GMACs: 107.1
Activaciones (M): 259.1
Tamaño de la imagen: 448 x 448
Preentrenado en ImageNet-22k
Ajustado en ImageNet-1k
Transformadores de visión con promediado de valores
SwiGLU, Embeddings de Posición Rotatoria (ROPE)
LN extra en MLP

Casos de uso

Clasificación de imágenes
Embeddings de imágenes