nest_base_jx.goog_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('nest_base_jx.goog_in1k', pretrained=True) 
model=model.eval() 

# obtener transforms específicos del modelo (normalización, cambio de tamaño) 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)) #unsqueeze imagen única en lote 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( 'nest_base_jx.goog_in1k', pretrained=True, features_only=True, ) 
model=model.eval() 

# obtener transform específicos del modelo (normalización, cambio de tamaño) 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)) #unsqueeze imagen único en lote de 1 

for o in output: 

print(o.shape) 

Embeidngs 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('nest_base_jx.goog_in1k', pretrained=True, num_classes=0,) # eliminar classificador nn.Linear 
model=model.eval() 

# obtener transforms específicos del modelo (normalización, cambio de tamaño) 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 tensor de forma (batch_size, num_features) ) 
# o equivalentemente (sin necesidad de establecer num_classes = 0) 
output = model.forward_features(transforms(img).unsqueeze(0)) # la salida es tensor no agrupdo, un tensor de forma (1,512,14,14) 
output = model.forward_head(output, pre_logits=True) # La salida es un tensor de forma (1, num_features)