timm/resnetaa50.a1h_in1k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes ResNet-B (Rectangle-2 Anti-Aliasing) que cuenta con activaciones ReLU, una única capa de convolución 7x7 con agrupamiento, y un acceso directo de convolución 1x1 para reducción de muestra. Este modelo está entrenado en ImageNet-1k mediante el uso de la plantilla de receta A1 descrita a continuación. La receta incluye el optimizador LAMB, mayor abandono, profundidad estocástica y RandAugment que la receta A1 del artículo, y un cronograma de LR cosenoidal con calentamiento.

Como usar

Clasificación de Imagen
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('resnetaa50.a1h_in1k', pretrained=True)
model = model.eval()
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))
top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Extracción del Mapa 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('resnetaa50.a1h_in1k', pretrained=True, features_only=True)
model = model.eval()
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))
for o in output:
    print(o.shape)

Embeddings de Imagen
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('resnetaa50.a1h_in1k', pretrained=True, num_classes=0)
model = model.eval()
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))
output = model.forward_features(transforms(img).unsqueeze(0))
output = model.forward_head(output, pre_logits=True)

Funcionalidades

Activaciones ReLU
Capa única de convolución 7x7 con agrupamiento
Acceso directo de convolución 1x1 para reducción de muestra
Optimización LAMB
Mayor abandono, profundidad estocástica y RandAugment
Cronograma de LR cosenoidal con calentamiento

Casos de uso

Clasificación de imágenes
Extracción del mapa de características
Cálculo de embeddings de imágenes