eva02_tiny_patch14_336.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 un profesor MIM) y afinado en ImageNet-1k por los autores del artículo. Los modelos EVA-02 son transformadores de visión con agrupación promedio, SwiGLU, Embeddings de Posición Rotativos (ROPE), y LN extra en MLP (para Base y Grande). 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 lo 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_tiny_patch14_336.mim_in22k_ft_in1k', pretrained=True)
model = model.eval()

# obtener transformaciones específicas del modelo (normalización, redimensionamiento)
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)

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_tiny_patch14_336.mim_in22k_ft_in1k',
pretrained=True,
num_classes=0, # eliminar clasificador nn.Linear
)
model = model.eval()

# obtener transformaciones específicas del modelo (normalización, redimensionamiento)
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 con 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 está agrupada, es un tensor con forma (1, 577, 192)

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

Funcionalidades

Clasificación de imágenes / columna vertebral de características
Parámetros (M): 5.8
GMACs: 4.7
Activaciones (M): 27.2
Tamaño de imagen: 336 x 336

Casos de uso

Clasificación de imágenes
Extracción de embeddings de imágenes para otras tareas de visión por computadora