timm/semnasnet_100.rmsp_in1k

timm

Clasificación de imagen

Un modelo de clasificación de imágenes MNasNet con atención de canales Squeeze-and-Excitation. Entrenado en ImageNet-1k en timm usando la plantilla de recetas mencionada a continuación. Detalles de la receta: una receta simple basada en RmsProp sin RandAugment. Usando RandomErasing, mixup, dropout, y una augmentación estándar de random-resize-crop. Optimizador RMSProp (comportamiento de TF 1.0), promediado de pesos de EMA, programación de tasa de aprendizaje con decaimiento exponencial y calentamiento.

Como usar

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('semnasnet_100.rmsp_in1k', pretrained=True)
model = model.eval()

# Conseguir las transformaciones específicas 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))

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('semnasnet_100.rmsp_in1k', pretrained=True, features_only=True)
model = model.eval()

# Conseguir las transformaciones específicas 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))

for o in output:
  print(o.shape)

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('semnasnet_100.rmsp_in1k', pretrained=True, num_classes=0)
model = model.eval()

# Conseguir las transformaciones específicas 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))

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

output = model.forward_features(transforms(img).unsqueeze(0))

output = model.forward_head(output, pre_logits=True)

Funcionalidades

Clasificación de imágenes
Extracción de mapa de características
Embeddings de imágenes
Modelo con 3.9 millones de parámetros
GMACs: 0.3
Activaciones: 6.2 millones
Tamaño de imagen: 224 x 224
Utiliza Safetensors y el tipo de tensor es F32

Casos de uso

Clasificación de imágenes en aplicaciones móviles
Extraer mapas de características de imágenes
Generar embeddings de imágenes para tareas de visión por computadora