resnetrs350.tf_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'
))

modelo = timm.create_model('resnetrs350.tf_in1k', pretrained=True)
modelo.eval()

# Obtener transformaciones específicas del modelo (normalización, redimensionado)
config_data = timm.data.resolve_model_data_config(modelo)
transformaciones = timm.data.create_transform(**config_data, is_training=False)

output = modelo(transformaciones(img).unsqueeze(0))  # Añadir batch de 1 a la imagen

probabilidades_top5, indices_clase_top5 = 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'
))

modelo = timm.create_model(
'resnetrs350.tf_in1k',
pretrained=True,
features_only=True,
)
modelo.eval()

# Obtener transformaciones específicas del modelo (normalización, redimensionado)
config_data = timm.data.resolve_model_data_config(modelo)
transformaciones = timm.data.create_transform(**config_data, is_training=False)

output = modelo(transformaciones(img).unsqueeze(0))  # Añadir batch de 1 a la imagen

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

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'
))

modelo = timm.create_model(
'resnetrs350.tf_in1k',
pretrained=True,
num_classes=0, # Remover clasificador nn.Linear
)
modelo.eval()

# Obtener transformaciones específicas del modelo (normalización, redimensionado)
config_data = timm.data.resolve_model_data_config(modelo)
transformaciones = timm.data.create_transform(**config_data, is_training=False)

output = modelo(transformaciones(img).unsqueeze(0))  # Output es tensor de forma (batch_size, num_features)

# Alternativamente (sin necesidad de configurar num_classes=0)

output = modelo.forward_features(transformaciones(img).unsqueeze(0))
# Output sin agrupamiento, un tensor de forma (1, 2048, 9, 9)

output = modelo.forward_head(output, pre_logits=True)
# Output es un tensor de forma (1, num_features)