mobilenetv3_large_100.ra_in1k

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('mobilenetv3_large_100.ra_in1k',pretrained=True)
model = model.eval()

# obtener 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)) # un solo lote de imágenes en batch de 1

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('mobilenetv3_large_100.ra_in1k', pretrained=True, features_only=True,)
model = model.eval()

# obtener 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)) # a single batch of 1

for o in output:
    print(o.shape)
# por ejemplo:
#  torch.Size([1, 16, 112, 112])
#  torch.Size([1, 24, 56, 56])
#  torch.Size([1, 40, 28, 28])
#  torch.Size([1, 112, 14, 14])
#  torch.Size([1, 960, 7, 7])

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('mobilenetv3_large_100.ra_in1k', pretrained=True, num_classes=0, ) # eliminar clf nn.Linear
model = model.eval()

# obtener 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)) # el tensor tiene forma de (batch_size, número de características)

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

output = model.forward_features(transforms(img).unsqueeze(0))
# el tensor de salida no agrupado tiene forma de (1, 960, 7, 7)

output = model.forward_head(output, pre_logits=True)
# el tensor de salida tiene forma de (1, número de características)