eva02_large_patch14_448.mim_in22k_ft_in22k_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 un maestro MIM) y afinado en ImageNet-22k y luego en ImageNet-1k por los autores del artículo. Los modelos EVA-02 son transformadores de visión con media pooling, SwiGLU, Embeddings de Posición Rotatoria (ROPE) y extra LN en MLP (para Base y Large). NOTA: los puntos de control timm son float32 para consistencia con otros modelos. Los puntos de control originales son float16 o bfloat16 en algunos casos, ver los originales si se prefiere.

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_large_patch14_448.mim_in22k_ft_in22k_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 única imagen en batch de 1

top5_probabilities, top5_class_indices = 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_large_patch14_448.mim_in22k_ft_in22k_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 modelado (batch_size, num_features)

# o equivalentemente (sin necesidad de establecer num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# la salida es no agrupada, un tensor modelado (1, 1025, 1024)

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

Funcionalidades

Tipo de modelo: Clasificación de imágenes / columna vertebral de características
Params (M): 305.1
GMACs: 362.3
Activaciones (M): 689.9
Tamaño de imagen: 448 x 448

Casos de uso

Clasificación de imágenes
Extracción de embeddings de imágenes