timm/fbnetc_100.rmsp_in1k
timm
Clasificación de imagen
Un modelo de clasificación de imágenes FBNet. Entrenado en ImageNet-1k con timm utilizando la plantilla de receta descrita a continuación. Detalles de la receta: una receta simple basada en RmsProp sin RandAugment. Utilizando RandomErasing, mixup, dropout y la augmentación estándar de crop de redimensionamiento aleatorio. Optimizador RMSProp (comportamiento TF 1.0), EMA promediado de peso. Programación de LR de decaimiento exponencial con warmup.
Como usar
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('fbnetc_100.rmsp_in1k', pretrained=True)
model = model.eval()
# obtener las 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)) # añadir una dimersión para imagen única
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)
Funcionalidades
- Clasificación de imágenes
- Extracción de mapas de características
- Embeddings de imágenes
Casos de uso
- Clasificación de imágenes
- Extracción de mapas de características
- Obtención de embeddings de imágenes para otras tareas de visión por computadora