timm/hgnetv2_b4.ssld_stage2_ft_in1k

timm

Clasificación de imagen

Modelo de clasificación de imágenes HGNet-V2 (High Performance GPU Net). Entrenado por los autores del modelo en ImageNet-22k y ImageNet-1k utilizando destilación SSLD y ajustado posteriormente en ImageNet-1k. Este modelo es adecuado para la clasificación de imágenes, extracción de mapas de características y generación de embeddings de imagen.

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('hgnetv2_b4.ssld_stage2_ft_in1k', pretrained=True)
model = model.eval()
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))
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Extracción de Mapas 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('hgnetv2_b4.ssld_stage2_ft_in1k', pretrained=True, features_only=True)
model = model.eval()
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))
for o in output:
    print(o.shape)

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('hgnetv2_b4.ssld_stage2_ft_in1k', pretrained=True, num_classes=0)
model = model.eval()
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))
output = model.forward_features(transforms(img).unsqueeze(0))
output = model.forward_head(output, pre_logits=True)

Funcionalidades

Clasificación de imágenes
Extracción de mapas de características
Embeddings de imágenes
Entrenado en ImageNet-22k y ImageNet-1k
Destilación SSLD
Ajuste fino en ImageNet-1k

Casos de uso

Clasificación avanzada de imágenes
Arquitectura de backbone para tareas de visión por computador
Generación de embeddings para aplicaciones de búsqueda y recuperación de imágenes