resnet50c.gluon_in1k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes ResNet-C. Este modelo cuenta con activaciones ReLU, un tallo de 3 capas de convoluciones de 3x3 con agrupación y un atajo de convolución de 1x1 para la reducción de dimensiones. Ha sido entrenado en ImageNet-1k usando recetas basadas en Bag-of-Tricks en Apache Gluon.

Como usar

import timm
from urllib.request import urlopen
from PIL import Image

# Clasificación de imágenes
img = Image.open(urlopen('https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'))
modelo = timm.create_model('resnet50c.gluon_in1k', pretrained=True)
modelo = modelo.eval()

data_config = timm.data.resolve_model_data_config(modelo)
transforms = timm.data.create_transform(**data_config, is_training=False)

resultado = modelo(transforms(img).unsqueeze(0)) # convertir imagen individual en un batch de 1

# Extracción de mapas de características
modelo = timm.create_model('resnet50c.gluon_in1k', pretrained=True, features_only=True)
modelo = modelo.eval()

output = modelo(transforms(img).unsqueeze(0)) # convertir imagen individual en un batch de 1
for o in output:
    print(o.shape)

# Embedding de imágenes
modelo = timm.create_model('resnet50c.gluon_in1k', pretrained=True, num_classes=0)
modelo = modelo.eval()

output = modelo(transforms(img).unsqueeze(0)) # tensor con (batch_size, num_features)
output = modelo.forward_features(transforms(img).unsqueeze(0))
output = modelo.forward_head(output, pre_logits=True)

Funcionalidades

Activaciones ReLU
Tallo de 3 capas de convoluciones de 3x3 con agrupación
Atajo de convolución de 1x1 para la reducción de dimensiones
Entrenado en ImageNet-1k

Casos de uso

Clasificación de imágenes
Extracción de mapas de características
Embeddings de imágenes