timm/maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k

timm

Clasificación de imagen

MaxxViT-V2 específico de timm (con un MLP Log-CPB (bias de posición relativa de coordenadas logarítmicas continuas motivado por Swin-V2) modelo de clasificación de imágenes. Entrenado previamente en timm con ImageNet-12k (un subconjunto de 11821 clases de ImageNet-22k completo) y ajustado finamente con ImageNet-1k por Ross Wightman. El preentrenamiento en ImageNet-12k y el ajuste fino en ImageNet-1k se realizaron en instancias en la nube Lambda Labs de 8x GPU.

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('maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k', pretrained=True)
model = model.eval()

# obtener transformadas específicas del modelo (normalización, redimensionado)
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 dimensión de batch

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(
'maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k',
pretrained=True,
features_only=True,
)
model = model.eval()

# obtener transformadas específicas del modelo (normalización, redimensionado)
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 dimensión de batch

for o in output:
    print(o.shape) # imprimir la forma de cada mapa de características

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(
'maxxvitv2_rmlp_base_rw_384.sw_in12k_ft_in1k',
pretrained=True,
num_classes=0, # quitar la capa de clasificación
)
model = model.eval()

# obtener transformadas específicas del modelo (normalización, redimensionado)
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 de forma (batch_size, num_features)

# o equivalente, sin necesidad de fijar num_classes=0

output = model.forward_features(transforms(img).unsqueeze(0))
# la salida no está agrupada, es un tensor de forma (1, 1024, 12, 12)

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

Funcionalidades

Clasificación de imágenes
Extracción de mapas de características
Embeddings de imágenes
Comparación de modelos por Top-1 y Por tasa de muestras por segundo
Arquitectura de MaxxViT-V2

Casos de uso

Clasificación de imágenes
Extracción de características de imágenes
Generación de embeddings de imágenes
Comparación de rendimientos de modelos diferentes