hgnetv2_b5.ssld_stage2_ft_in1k
timm
Clasificación de imagen
HGNet-V2 (High Performance GPU Net) modelo de clasificación de imágenes. Entrenado por los autores del modelo en ImageNet-22k y ImageNet-1k utilizando la destilación SSLD y afinado en ImageNet-1k.
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('hgnetv2_b5.ssld_stage2_ft_in1k', pretrained=True)
model = model.eval()
# obtener transformaciones específicas del modelo (normalización, redimensionar)
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)) # un solo imagen en un lote de 1
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)
Funcionalidades
- Tipo de modelo: Clasificación de imágenes / backbone de características
- Parámetros (M): 39.6
- GMACs: 6.6
- Activaciones (M): 11.2
- Tamaño de la imagen: entrenar = 224 x 224, prueba = 288 x 288
- Dataset preentrenado: ImageNet-22k
- Dataset: ImageNet-1k
Casos de uso
- Clasificación de imágenes
- Extracción de mapas de características
- Embeddings de imágenes