timm/ghostnet_100.in1k

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('ghostnet_100.in1k', pretrained=True)
model = model.eval()

# obtener las transformaciones específicas del modelo (normalización, cambio de tamaño)
config_datos = timm.data.resolve_model_data_config(model)
transformaciones = timm.data.create_transform(**config_datos, is_training=False)

output = model(transformaciones(img).unsqueeze(0)) # unsqueeze imagen única en lote de 1

# obtener las 5 probabilidades principales y los índices de clase
probabilidades_top5, indices_clase_top5 = torch.topk(output.softmax(dim=1) * 100, k=5)

# Extracción de mapa de características

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(
'ghostnet_100.in1k',
pretrained=True,
features_only=True,
)
model = model.eval()

# obtener las transformaciones específicas del modelo (normalización, cambio de tamaño)
config_datos = timm.data.resolve_model_data_config(model)
transformaciones = timm.data.create_transform(**config_datos, is_training=False)

output = model(transformaciones(img).unsqueeze(0)) # unsqueeze imagen única en lote de 1

for o in output:
# imprimir forma de cada mapa de características en salida
printf(o.shape)

# Incrustaciones 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(
'ghostnet_100.in1k',
pretrained=True,
num_classes=0, # eliminar clasificador nn.Linear
)
model = model.eval()

# obtener las transformaciones específicas del modelo (normalización, cambio de tamaño)
config_datos = timm.data.resolve_model_data_config(model)
transformaciones = timm.data.create_transform(**config_datos, is_training=False)

output = model(transformaciones(img).unsqueeze(0)) # la salida es un tensor de forma (batch_size, num_features)

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

output = model.forward_features(transformaciones(img).unsqueeze(0))
# la salida no está agrupada, un tensor de forma (1, 960, 7, 7)

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