timm/eva02_large_patch14_448.mim_m38m_ft_in22k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes EVA02. Entrenado previamente en Merged-38M (IN-22K, CC12M, CC3M, COCO (entrenamiento), ADE20K (entrenamiento), Object365 y OpenImages) con modelado de imágenes enmascaradas (usando EVA-CLIP como un profesor MIM) y ajustado en ImageNet-22k por los autores del artículo. Los modelos EVA-02 son transformadores de visión con promediado de medias, SwiGLU, Embeddings Rotativos de Posición (ROPE) y LN adicional en MLP (para Base y Large). NOTA: Los puntos de control de timm son float32 para la consistencia con otros modelos. Los puntos de control originales son float16 o bfloat16 en algunos casos, consulte los originales si eso es preferido.

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_m38m_ft_in22k', pretrained=True)
model = model.eval()

# obtener las 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)) # une imagen única en un lote 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_m38m_ft_in22k',
pretrained=True,
num_classes=0, # elimina el clasificador nn.Linear
)
model = model.eval()

# obtener las 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)) # el output es un tensor de forma (tamaño_lote, num_features)

# o equivalentemente (sin necesidad de establecer num_classes=0)
output = model.forward_features(transforms(img).unsqueeze(0))
# el output es desenredado, un tensor de forma (1, 1025, 1024)

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

Funcionalidades

Clasificación de imágenes
Embeddings de imágenes
Transformadores de visión con promediado de medias
SwiGLU
Embeddings Rotativos de Posición (ROPE)
LN adicional en MLP (para Base y Large)

Casos de uso

Clasificación de imágenes en grandes conjuntos de datos
Extracción de embeddings de imágenes para sistemas avanzados de recomendación
Análisis y etiquetado de imágenes en aplicaciones de visión por computadora
Desarrollo de modelos de reconocimiento de objetos